重点监控室(如消防监控室、铁路运营室、重症监护室等)值班人员睡觉、擅自离岗等不良行为可能会造成重大事故的发生,监控人员的工作状态具有非常重要的意义。基于监控视频建立智能数据分析系统,实时准确地提取监控人体对象的状态,不仅可以有效避免意外事故的发生,而且能够节约大量人力财力,促进社会智能化发展。而其中以人体为对象的检测、跟踪以及状态识别算法是智能数据分析系统的核心。由于人体兼具刚性和柔性物体的特点,姿态千差万别,且人体服饰、成像尺寸、复杂背景和光照条件等对人体检测识别准确率也有很大的影响,因此一直以来人体识别都是计算机视觉领域研究的难点。针对监控室人员工作状态判别的任务需求,本文将人体对象的状态识别定位为移动识别,以人体对象的整体运动、微动、静止状态的识别为研究目标,开展了人体的检测、跟踪以及状态识别算法的研究,主要研究工作如下:首先,本文通过对人员检测算法评价标准,区域建议网络结构和学习率设置等方面进行分析研究,总结了Faster RCNN人体目标检测相关的基础知识,并通过自制数据集训练识别网络,实现了高准确率的人体检测;然后利用平均背景建模与检测结果相结合方法进行背景提取,实现人体区域精检测,避免了目标框中包含较多背景而使后续跟踪算法精度下降。实验结果表明本文训练的Faster RCNN模型人体检测率可以到达96%,优于相同条件下的传统人体检测方法。然后,针对人体多关节的特性以及尺度和服饰颜色的多样性,设计了基于多策略融合的人体跟踪算法。针对人体服饰颜色与背景差异大,受噪声影响小的特点,设计了颜色特征分类模块,通过颜色统计特征、颜色分布特征和表观结构相似特性进行样本分类;利用HOG特征进行跟踪模块设计,同时利用分类结果更新特征功能,避免跟踪模块效果随时间的漂移;综合分类模块和跟踪模块结果,实现多策略融合,提高跟踪算法稳定性。同时利用两组实验室视频图像进行实验验证,结果表明本文跟踪算法具有长时间稳定跟踪能力。实验结果表明,本文设计的多策略跟踪算法对目标出现的遮挡、形变、尺寸变化等问题具有较好的适应能力,在跟踪过程中的跟踪结果与目标的交并比平均值在0.8左右,中心距离平均误差小于6个像素。最后,基于人体检测和跟踪结果进行人体区域分割,统计人体时序运动信息,进行人体移动状态判别,从而提取人体工作状态。针对人体局部运动特点,提出基于时空滤波的细微运动检测算法。利用三帧差分粗提取运动区域,结合HOG跟踪与FB误差方法实现运动特征点提取;利用运动、颜色相似性和空间连通性进行相关运动聚类,实现运动区域内像素点的聚类,从而精确提取运动像素点。实验结果表明,本文方法能够准确提取目标运动信息,并实现高效的人体状态识别。