针对传统群体异常行为检测实时性不高、运动目标检测不具有自适应性、异常行为识别率较低的情况。本文根据国内外最新的研究理论与成果,采用自适应Vibe算法检测运动目标,结合基于加速分割的自适应通用角点检测算法和极限学习机分类算法对中小人群异常行为进行检测。同时采用GKLT算法和聚合度检测算法,对高密度群体行为进行了分析与仿真。本文具体的工作内容如下:一、改进的自适应Vibe算法。改进的Vibe算法跟传统的Vibe算法在背景检测与背景更新方面并没有太大区别,但是本文重点改进了Vibe算法中运动目标像素的识别过程。传统的Vibe算法采用固定阈值对运动目标像素进行判定,固定阈值对于环境的变化并没有做出适当的增加或减小,这就导致当遇到复杂环境时传统Vibe算法检测结果模糊,简单的环境时则效果较好。针对以上问题本文采用自适应的阈值进行判定,分别记录背景模型中像素与当前检测像素的最小欧式距离。通过处理记录的最小欧式距离之后,固定阈值R将会随着环境的复杂程度相应的增大或减小。最后利用改进的运动检测算法与码本模型和传统的Vibe模型进行对比。二、自适应通用角点算法。FAST角点提取算法采用ID3贪心算法构造决策树,这可能会导致决策树限于局部最优,另外FAST角点提取算法使用的是三叉树,但是角点提取涉及的是二元目标,所以针对以上问题,我们使用合并的两个二叉树代替FAST角点提取算法中的三叉树。三、极限学习机分类算法。针对异常情况识别率低,实时性不高的问题,本文采用极限学习机算法对提取的四种特征进行学习和分类。并且与隐性马尔科夫分类算法和SVM分类算法进行对比,试验表明ELM算法的识别率较对比文献中的分类法具有更高的识别率和实时性。四、高密度群体行为分析。利用GKLT算法跟踪高密度人群,记录特征点的位置与速度,再结合聚合度检测算法,可以检测出人群中有哪些团体的运动方向是一致的,并且用相同的颜色表示,对于不同方向的团体,则用不同颜色表示。该算法能够有效帮助监控人员在高密度的群体中直观的看出具有相同运动方向的人群簇。根据GKLT提取的特征点速度,我们可以将群体运动的平均速度和集合度很直观的反映在监控中心,以便监管人员更好的了解监控范围中人群的运动信息。