智能视频监控是计算机视觉中视频分析技术的一个重要应用方向,尤其是在安防、交通监控领域担当着重要角色。其中,运动目标的分类识别是智能视频监控系统的重要组成部分,通过视频图像处理技术完成监控场景中运动目标的检测、跟踪以及分类,实现计算机的智能化处理,是进行后续目标行为分析、视频浓缩和视频检索的基础。本文主要研究智能视频监控中的运动目标分类识别,针对视频中包含各类运动目标的图像序列进行处理,实现摄像头固定情况下场景中运动目标如行人、车辆等的分类识别,主要工作如下:1、采用背景差分法检测运动目标,利用二值化掩膜与ViBe算法相结合的方法建立初始背景,并结合基于帧级的自适应阈值方法不断更新非运动目标区域的背景,再通过背景差分、二值化、阴影去除等算法提取出运动目标,获得较为真实的运动前景图。2、对检测到的运动目标提取其全局特征作为特征描述符,即将目标的纹理特征如方向梯度直方图、梯度值和颜色空间特征如Lab颜色空间特征作为运动目标分类的特征描述符,对特征变换图进行滤波处理,能较好的适应检测目标被部分遮挡或含有少量阴影等情况,增强了算法的鲁棒性。3、提出了一种基于改进的霍夫森林目标分类识别算法,构建基于机器学习理论的霍夫森林分类器。首先标记采集到的一定数量的样本训练生成霍夫森林分类器,其次利用训练好的分类器结合随机性理论实现未知目标样本的分类识别,较大地提高了目标分类速率。