行人异常行为检测是模式识别研究领域的一个重要研究课题,在智能交通领域有着广泛的应用前景。目前异常行为检测分为三个研究方向,分别为基于人体基本姿势的研究、基于智能家居方面的应用研究以及基于人群的异常行为检查研究。我们对行人异常行为检测提出了一个新的研究方向,称为分心行为检测研究。我们将因使用电子设备造成的行人注意力不集中的行为定义为行人分心行为。分心行为在发生的过程中会受到行人自身或者外界因素的影响,所以给行为检测带来极大的挑战,设计一个高效的行人分心行为检测算法仍然是一项具有挑战性的工作。手机作为一种智能化便携式工具,在个体工作和生活中扮演着重要的角色,导致使用手机这类行为成为行人分心的主要原因之一。根据调查结果显示,不分场合玩手机的低头族越来越多,由此带来很多交通问题,引起了社会各界的高度重视。但是目前关于行人分心行为的研究工作尚处于起步阶段,所以本文针对行人分心行为展开研究并针对此问题提出相应的解决办法。本文主要工作如下所示:第一,构建了行人分心行为数据集(PWUM),并对数据集中图像进行筛选、标注及行人隐私保护处理等操作。为现有的行人数据集新添了一种行人分心行为,供相关领域科研人员使用。第二,提出了行人分心行为检测算法。主要工作包括采用基于梯度和纹理特征集成的方法进行行人检测;使用基于选择性搜索的方法获取行人敏感部位;采用特征集成的方法训练Adaboost分类器以得到行人分类结果。我们对提出的算法进行了大量实验,实验结果验证了算法框架的合理性及算法的有效性。第三,提出了基于卷积神经网络的多特征行人分心行为检测算法。在该算法中我们提出了 G-VGGNet网络模型,用该模型解决卷积神经网络中存在全局特征易忽略的问题。主要工作包括提取全局特征描述子、G-VGGNet模型构建及通过Finetune的过程训练网络并预测行人分类结果。实验结果验证了该算法分类效果更佳。