近年来,我国居民汽车保有量不断攀升,随之而来的便是停车场的管理问题以及安全保障问题。因此,本文对停车场中的不规范停车行为以及行人异常行为进行研究,主要工作如下:针对停车场不规范停车行为中的不按朝向停车行为,本文通过YOLOv3-tiny网络检测车头车尾实现。先在PC机上进行验证实验。再将该算法移植到嵌入式平台上,在正式移植之前,为了快速验证该算法模型能否适用于所选用的在嵌入式平台,通过配套的仿真软件进行仿真实验,发现目标检测框的位置不准确,并且识别率比较低,对特征提取网络进行修改,从而解决这两个问题,仿真实验结果基本能达到预期。最后再将更改后的算法移植到嵌入式平台上,进行相应的实验。针对停车场不规范停车行为中的越线停车行为,先设置感兴趣区域,通过方向梯度直方图与支持向量机对该区域内车辆进行检测。无车辆停放时通过边缘检测及霍夫变换提取出车位线,其中边缘检测结果对车位线的提取影响较大,为了获取更准确的检测结果,本文选取了五种边缘算子采用两种方式进行对比实验,根据这两种方式的对比结果,得到最适合本文的边缘检测算子。在有车辆停放的情况下通过Deeplabv3+语义分割算法分割出车辆,由于车辆内部信息对检测结果几乎无影响,因此再使用边缘检测处理分割图像,得到车辆的边缘轮廓信息,将车辆轮廓代入车位线方程进行越线判断,当车辆越线时输出车辆越线部分轮廓。针对停车场的行人异常行为,通过YOLOV3作为检测器,Deep sort进行目标跟踪,得到目标跟踪框以及轨迹信息。根据目标的运动周期曲线以及目标的运动速度,判别出摔倒、蹲下、弯腰走路、以及奔跑异常行为。在徘徊行为检测中,定义了八个轨迹元素,通过层次分析法确定各个轨迹元素权重值。针对轨迹分段不准确的情况,加入时间度量以及距离度量来解决。根据一定的规则将分段后的轨迹用相应的轨迹元素表示,最后加权求和,根据该数值是否超过所设置的阈值,从而判断出发生徘徊行为的可能性大小。