长久以来,家庭安全防护都是备受民众关注的热点问题,视频监控则是保障家庭安全的一种重要手段,需求持续增长。传统的家庭监测系统大多都由中央监测站的工作人员来完成,分析和响应每一个异常事件。显然这种传统的模式要耗费大量的人力成本,而随着机器学习算法的发展,智能化的监控系统成为了新的发展趋势。本文主要对基于视频监控的图像预处理、家庭入侵检测和摔倒检测这几个方面进行了深入研究。本文研究了各种常用的图像预处理方法,最终在实验中采用了基于拉普拉斯滤波和离散余弦变换的方法。通过拉普拉斯滤波突出图像纹理特征,然后利用离散余弦变换提取图像低频系数之后复原图像,最后达到了突出纹理、削弱噪声、降低图像维度的效果。对于家庭入侵检测,在经过图像预处理的基础上提出了一种HOG-LBP特征加权融合的人脸识别算法。首先通过正对房门的摄像头采集入室人员的图像,并对图像进行预处理。然后利用HOG特征与LBP特征存在的优势互补特性,采用HOG算子与LBP算子分别提取人脸特征并进行加权融合得到人脸图像的最终特征,最后使用SVM分类器进行识别。在多个人脸数据集下的实验结果表明在室内场景下,该算法相比绝大多数传统算法具有更优秀的识别性能和鲁棒性。对于摔倒事件的检测,论文提出了一种基于单应性变换的前景投影重合率算法。人在正常行走和摔倒时,在两路视频中的形成的运动前景之间的关系是不同的,本文通过单应性变换将这种特征描述了出来。将一路视频中人的运动前景经过地面单应性矩阵投影到另一路视频中,会与另一路视频的运动前景产生重合。在实验中发现,重合率的大小表征了人与地面的接近程度,而重合率变化的速率则代表了动作的运动强度。本文基于这两个特征来初步判断摔倒事件,为了进一步的排除下蹲等干扰,使用椭圆拟合法提取人体外接椭圆分析姿态信息,最终综合判断出事件是否为一次摔倒。经过多个摔倒数据集的测试,表明了该方法可以有效地检测出摔倒,并具有良好的实时性。