本论文主要研究了智能视频监控中人群异常行为的检测与分析。人群异常行为分为多种情况,本论文所研究的人群异常行为主要针对公共场所中突发事件导致的人群慌乱逃跑行为以及火灾发生时人群逃生等突发行为。通过运动目标的检测与追踪、行为的分析以及异常行为的识别来实现异常突发行为的检测。在检测图像运动之前,通过灰度化、去噪、空间域和频域的图像增强等预处理操作使得视频图像更加清晰。然后,利用混合高斯背景模型的背景减除法获得视频的背景图像,与当前图像帧差分从而检测出运动对象。使用KLT(Kanade-Lucas-Tomasi)追踪算法来追踪运动人群,获得人群的运动速度、方向和位置信息。接着,根据个体粒子与群体中其他个体在运动方向、速度等两个方面的行为相似性提取出集群性特征来描述人群行为,该特征全局地综合了整个群体的运动信息,能够很好地描述人群行为;根据个体粒子网格空间分布和运动人群的平均速度提取出粒子网格分布特征来描述行为,该特征能够较好地描绘出人群行为。最后,利用直方图熵值和SVM(Support Vector Machine)的识别方法来识别异常突发行为。将集群性特征投影到对应的直方图区间,计算直方图的熵值,与训练好的阈值T进行比较来识别异常行为;将粒子网格分布特征放入到训练好的SVM行为分类器中识别异常行为。分别在UMN和USCD Ped1行为数据集上验证本文所提的基于集群性特征的异常突发行为的识别算法和基于粒子网格分布特征的异常突发行为的识别算法,与各类定性定量的结果对比,本文所提算法的效果较优。