智能视频监控系统在诸多方面发挥出巨大的社会效益和经济效益,运动目标检测与分类算法是智能视频监控系统的核心技术。本文将视频中人与车作为主要研究对象,结合实际的应用场景,重点对视频中运动目标检测与分类算法进行了研究。运动目标检测方面,针对传统算法在动态背景环境下适应能力差、容易将可变动背景检测为运动目标,以及对光照过于敏感容易发生误检等情况,本文提出了一种具有缓存更新功能的动态Codebook模型目标检测算法。该算法在检测的过程中对背景模型进行更新,消除了背景变化所产生的影响。为保证检测结果更精准、目标轮廓更加完整,将改进后的Codebook模型检测算法与五帧差分法相结合作为本文的运动目标检测方法。实验表明:该方法可以很好地适应多运动目标出现的场景,对动态背景环境有很强的适应能力,在光照缓慢变化和突变的情景中也能准确地检测出运动目标。而且经过该算法检测出的目标轮廓清晰完整,为目标分类提供了保障。在运动目标分类的研究中,通过多种分类器的对比研究,本文采用了基于霍夫森林算法的分类器对视频中人与车进行分类,为提高分类效率,对其进行了优化。在特征提取过程中,选取了一组相对稳定可靠的静态特征的子集作为运动目标的特征描述符;在分类器的设计过程中,分别对训练阶段和检测阶段做出了优化,通过选取最优的划分阈值为分类器提供可靠的参数,保证了分类的准确度;通过随机提取目标图像块的策略,提高了算法的分类速度。实验表明:优化后的霍夫森林分类器对目标的分类准确率可以达到96%,分类效率较原有方法提高了近60%。由此可见,该目标分类方法在保证了分类的准确性的基础上,很大程度地提升了对运动目标的分类效率。