监控视频异常检测是智能监控技术的重要组成部分,其研究价值源于其潜在的的广阔应用需求。异常检测从原理上看,可以对异常数据建模,也可以对正常数据建模。但异常数据难于收集,因而对正常数据建模是更通用的方法。在对正常数据建模的方法中,本文总结了基于分块处理的视频异常检测算法框架,具体进行了以下四项工作:(1)总结了基于分块处理的视频异常检测的原理、常用的特征和模型。视频异常检测常用的特征有光流直方图、3D梯度、前景计数器和复合描述子。光流直方图能直观反映运动目标速度大小和方向,3D梯度能综合纹理和运动信息,前景计数器能感知场景的运动密度,复合描述子可以综合两种以上的基本特征。异常检测是找出行为很不同于预期对象的过程,从数据挖掘的角度看,有基于聚类、基于统计模型、基于分类等多种方法。异常检测是高度依赖于应用的一类问题,只能依据具体应用去选择方法。本文综合近年来优秀论文中的异常检测模型,最终选取了朴素的最大值模型、单类SVM和稀疏模型作为候选方法。(2)实现了一个视频异常检测系统。它以光流直方图特征为主的特征描述子作为特征,以朴素的最大值模型、单类SVM和稀疏模型作为模型,可以用这些特征模型组合进行视频异常检测。对有真值的数据集,可以对方法性能进行测评。在准备好训练视频和测试视频后,该系统可以一键完成模型训练、异常检测和结果评估。(3)在标准数据集上对比了本文实现的方法和近年来的六种优秀视频异常检测方法的性能和速度,并测试了本文方法在实际监控视频上的效果。在标准数据集上的对比结果说明了本文光流直方图特征和最大值模型组合在视频异常检测,特别是对异常事件的定位上的有效性。本文方法在标准数据集上达到实时(30.67FPS)运行的速度也超越了除了Sparse Combination外的所有方法。(4)在实际监控视频中,不同视角、距离、光照、气象条件下,本文方法能够检测出车流人流中的有意义的异常事件。这也说明了本文光流直方图特征和最大值模型组合方法的有效性。另外,从实验结果还可以分析出误检的漏检的主要原因分别是遮挡、光照差和目标尺度小、光照差。