环境异常检测是指对引起监控场景内环境发生变化的人或物的检测。自然环境监控下的异常检测存在较多的干扰因素,如风、光照变化、水纹起伏以及雾气引起的图像低对比度等,包含这些干扰因素的场景背景相对来说是属于动态的。动态的背景给背景建模带来较大的挑战,本课题就如何在动态场景中准确高效地检测到监控内的环境异常变化展开研究,主要工作如下:1.研究分析当前主流的背景建模方法,并对各类型背景建模方法在不同应用场景下的检测结果和性能表现进行深入的实验对比分析,比较各类型算法的性能优劣。2.分析了视频监控中常见的外部环境影响因素,并详细探讨了雾气及阴影这两种常见的外部影响因素。提出了一种改进的暗通道去雾方法,该方法结合上下采样的方法提高了暗通道去雾算法滤波速度,同时该方法还采用一种分区域计算有雾图像大气光值的方法。实验结果表明,改进的去雾算法与原算法相比,在处理速度以及去雾效果上都有明显提升。在去除阴影时,利用GMM背景建模对光照变化等因素的抑制作用,分割得到包含阴影的前景运动目标;然后在此分割的基础上利用HSV颜色空间的阴影模型检测前景区域内阴影,并结合轮廓检测方法,去除前景目标的因光照边缘轮廓,准确得到不含阴影的前景目标。3.提出一种参数自适应的高斯混合背景模型,该方法利用前帧的检测结果来分析当前场景中环境因素的状况,通过前景离散程度计算实现参数阈值的自适应调整。实验结果表明,与经典高斯混合模型背景建模方法相比,改进的方法对自然环境下的噪声干扰更具鲁棒性,适合动态背景下的环境异常检测。