随着全球经济的发展,纸币的大量流通,金融和商业机构对于智能的纸币识别系统的需求与日俱增,因此研发一种快速、鲁棒的纸币面值识别算法是十分有必要的。同时,近年来智能监控系统在公共安全中发挥着举足轻重的作用,成为建设安全、智能社会的一个重要环节。智能视频分析中的关键技术包括了复杂场景下的多目标跟踪。本课题对纸币识别算法和多目标跟踪算法进行了深入研究,取得的主要成果如下:1.提出并实现了一种基于特征点及其拓扑结构的纸币面值识别算法。本算法基于纸币图像自身的特性,在面值感兴趣区域提取Harris角点作为特征点,提取SURF特征描述局部模式,并创新性地使用了特征点之间的拓扑结构关系来表征不同面值ROI的全局结构特征,使用模板匹配的方法进行判决。该算法在测试中达到了 99.99%的准确率,并且对于图像的位移,拉伸,光照变化,污迹等具有良好的鲁棒性。2.实现并改进了一种基于非线性运动模式和鲁棒外观模型在线学习的多层连接多目标跟踪算法。该算法是基于检测的跟踪算法,在底层连接中使用双阈值判决策略直接对检测结果进行连接;在高层连接中,将轨迹片段连接的最大后验概率问题(MAP)转化为分配问题,使用匈牙利算法快速求解;在求解分配问题代价矩阵时,使用非线性运动模式和鲁棒外观模型的在线学习,准确地计算轨迹片段之间的相似度,提高算法的准确性。为使该算法更好地适用于TRECVID-SED视频数据集,对算法进行了改进,基于头肩部检测结果,借助于彩色角点修正目标位置信息,并且在轨迹连接时加入运动信息的约束判断。所做改进,既保证了跟踪的准确率,且速度提升了 2.5倍。将该算法用于TRECVID SED 2014竞赛,取得了良好的跟踪效果。