如何通过行人的外观特征从海量监控视频中快速挖掘用户感兴趣的行人,智能分析技术和Hadoop集群能够帮忙实现。行人检测与跟踪是智能监控系统中核心问题,Hadoop集群能够有效解决海量视频处理面临的问题。因此本文重点研究Hadoop集群视频并行处理技术和行人检测与跟踪算法。　　在行人检测中,针对行人检测存在过小行人漏检和过大行人误检等问题进行研究,提出了一种新的基于前景区域的自适应滑动窗行人检测算法。对于前景提取,为了消除了阴影对前景提取的影响,运用了基于色度和纹理相结合的阴影去除算法。而在行人检测中,设计了具有自适应调整滑动搜索窗口尺寸的梯度方向直方图行人检测器搜索前景区域。实验表明,只对运动区域做检测提高了行人检测效率,自适应的滑动窗口行人检测器减少了行人的漏检和误检。　　在行人跟踪中,针对很难对具有多模态行人进行稳定跟踪等问题,提出了一种新的基于混合前景区域直方图模型(Hybrid foreground area histogram model:HFHM)的卡尔曼滤波行人目标跟踪算法。首先对每个行人建立了基于前景区域的混合直方图模型,然后卡尔曼滤波对行人进行跟踪获得候选区域并计算行人混合模型与候选搜索区域的匹配程度,最后根据匹配程度给出了一种混合模型在线更新策略以确保跟踪的鲁棒性。实验表明,该算法在行人姿态变化、转动以及在部分遮挡的情况下都能对行人进行连续和稳定的跟踪。　　对于视频并行化处理,自主设计了基于Hadoop集群的视频并行化处理系统并建立了试验床。通过研究Hadoop集群中HDFS和MapReduce两大核心技术,重新设计了专门针对非结构化视频数据的MapReduce并行计算框架及相关的键值对和输入输出格式,并在此框架下的试验床中以集群运行方式对行人检测与跟踪算法进行测试。实验结果表明,Hadoop集群比较适合大数据的视频处理,Hadoop集群并行化处理技术提高了行人检测与跟踪算法效率。