基于视频序列的物体检测与识别技术是智能视频监控系统中的重要组成部分,广泛应用于商场、停车厂、银行、展览会及博物馆等重要场所,其主要思想是在视频序列图像中利用一定的算法对感兴趣的物体进行检测,并识别其所处的状态来分析监控场景中是否有异常事件发生,如偷盗或丢包等事件。物体检测与识别技术是导航系统、智能视频监控系统和人机交互等实际应用领域中的研究难题,而本文的研究成果将会使得相关领域的一些关键问题得到相应解决。通过分析研究现有的匹配算法,在此基础上重点研究基于尺度不变特征SIFT算法中特征提取和特征匹配的物体检测识别算法,并从四个方面对SIFT算法进行详细分析,即构建尺度空间、检测尺度空间极值点、生成特征描述子以及度量特征的相似性。经实验验证尺度不变特征能够对非刚性物体、复杂背景、放射变换和光照变换等具有非常稳定的特性。为了得到更加良好的极值选取效果,在对极值点检测过程中在每一组最顶层加入三层高斯模糊图像；针对匹配结果中存在一对多的情况,提出一种SIFT特征提取与SVD匹配相结合的识别算法；为实现在剔除错配点的同时能够对被检测目标进行精确的定位,提出一种基于迭代密度的约束算法,其算法思想是用搜索框对匹配结果图进行搜索,计算落在搜索框中的匹配点数量来约束匹配点；将SIFT-SVD算法的匹配结果用迭代密度约束法来消除错配点,不仅能使得匹配精确度得到提高,而且能找出被检测目标在图像中的准确位置。偷盗检测技术能实时识别到监控场景中丢失物体等异常现象,并给出相应的提示信息。目前的偷盗检测技术往往对光照变换、复杂动态背景、遮挡问题、摄像头转移、目标为非刚性物体等干扰因素的适应性较低,本文将基于迭代密度约束的SIFT-SVD特征匹配算法应用于视频监控中的偷盗检测领域,并在物体特征提取阶段做了创新性的改进,即提取被检测物体六个面的特征信息,并进行去重复处理,提高了特征检测的精度。在视频监控前建立场景中贵重物体的特征库,确定其在场景中的原始位置并限定位置区域,在监控过程中将特征库中的信息与视频序列图像中限定区域的特征进行匹配,按照自适应阈值算法分析匹配结果,当匹配结果小于此阈值时,认为该物体被转移,自动发出报警信号,并提示管理人员有异常事件发生,实现对贵重物品的安全实时防盗监护的目的,保护财产安全。将物体检测识别算法应用于视频监控中的偷盗事件识别中,并对多个物体同时进行检测实验,经实验验证该算法能准确识别移动或者丢失事件的发生,并能准确识别不同事件同时发生的情况,误报漏报率低,检测精度高,达到了预期要求。