视频监控技术作为安防领域中重要部分,近年来其发展日益成熟,且越来越趋于智能化。智能化视频监控体现在通过人工智能技术对监控视频内容进行处理分析,实现视频中目标的自动识别和定位等,而目标检测作为智能监控视频中关键技术,已成为了研究的热点和重点。本文以校园监控视频为研究对象,采用迁移学习的方法,在卷积神经网络目标检测SSD(Single Shot Multi-Box Detector)的基础上,针对实际监控视频中的白天视频和夜间视频两种应用场景,提出了不同的改进策略,以提高监控视频目标检测的效果。本文主要的研究内容如下:(1)深入分析了基于卷积神经网络的经典目标检测算法以及SSD网络在目标检测中的应用,研究了迁移学习的不同方法,为SSD网络的改进打下了基础。(2)对于白天监控视频,针对SSD网络对于中小目标检测能力不足的问题,提出了一种基于参数迁移的改进SSD多尺度检测方法。对于低层卷积层,在保留SSD网络中用于检测的低层特征基础上,进一步采用区域特征放大提取的方法以丰富特征细节信息,达到提升小目标检测效果的目的。对于高层卷积层采用多层特征提取的操作,增加网络深度,增强SSD网络对于中等目标的特征提取能力。最后将改进的低层和高层卷积层进行结合以重构多尺度检测卷积层,从而在整体上提高了目标检测能力。(3)采用领域适应方法,改进了 SSD网络,以提高其在不同领域之间的适应性,同时对白天和夜间监控视频进行目标检测。将白天和夜间两种场景的视频数据集同时输入到SSD网络中,并将最大均值差异MMD(Maximum mean discrepancy)应用在特定卷积层上以减少不同领域之间特征学习上的差异性,并将这种差异性合并到网络总的损失函数中,通过多次迭代调节参数减少损失函数值,以获得最终的模型。实验验证了改进网络的可行性和有效性。