随着监控系统的快速发展和普及,摄像头的覆盖范围不断扩大,监控视频数据迎来了爆发式的增长。大数据技术的出现能够很好地解决用户对监控数据存储的需求,但是对于监控环境中逐渐增长的人体异常行为监察需求却无法满足,因此,如何利用视频数据分析监控环境中人体的行为,并建立模型检测人体的异常行为已经成为了研究的热点。视频中人体行为的分析通常首先提取人体的行为特征,然后基于人体行为特征对人体的异常行为进行建模分析,然而,现有的研究大都只关注人体的轨迹、姿态或者速度这些单一特征,忽略了特征之间的关联性,这为异常行为检测算法的设计和实现提供了一个新的方向和思路。同时,在人体做出异常行为之后,需要对人体进行追踪,而人体很有可能会离开当前的摄像头,因此实现人体的跨摄像头追踪是十分必要的,利用人体行为分析的结果和已经提取的人体特征,可以有效的提升追踪的速度。本文将主要针对监控环境中的人体进行研究,分析人体的动态行为特征,并基于分析结果实现监控系统的智能化。研究内容主要分为人体行为特征的采集与保存、异常行为检测模型的构建和跨摄像头追踪算法的研究三个方面,具体如下:1)为获取人体的静态行为特征,首先实现了图片中人体的检测与切割、人体骨骼关键点的检测以及人体真实轨迹点的检测;使用表征特征和行人重识别技术实现人体在单摄像头中的追踪,并基于此提出了人体动态行为特征采集算法,采集了视频中人体的移动轨迹、姿态序列以及速度序列;基于人体的行为特征,设计了以人体行为特征为中心的智能监控系统;2)根据人体的动态行为特征,分析各个行为特征与异常行为的关系,并解析不同行为特征之间的关联性,使用聚类算法对人体移动轨迹进行建模,并利用概率模型依次基于姿态序列和速度序列对聚类进行再次细分;基于建模结果,提出了一种基于多特征的人体异常行为检测算法,在对人体异常行为进行细粒度检测的同时提高精确率,最后使用数据集验证算法的性能;3)基于移动轨迹的聚类质心,使用聚类算法将摄像头监控范围进行分区,根据分区结果使用概率模型构建区粒度的监控摄像头拓扑图;提出一种时空关联的跨摄像头人体追踪算法,利用改良的行人重识别技术来实现人体的匹配,加速匹配的过程,同时利用摄像头拓扑图和人体的速度分别从空间和时间角度加快跨摄像头人体的追踪;最后经过仿真实验,验证了算法的有效性。