近年来随着人工智能及深度学习的快速发展,机器学习成为科学家们研究的重要课题之一,视频监控系统中人体异常行为识别是机器学习领域的一个重要分支,是社会安防必不可少的技术手段。本算法对监控视频中两种人体异常行为进行识别,一是独居老年人的跌倒行为,二是敏感区域内行人异常徘徊行为,若识别出异常,则通知相关人员做出处理,使危险情况得到及时遏制。算法研究包括以下几点:首先,提出一种改进的GrabCut算法实现图像目标与背景分割。算法将GrabCut算法与均值漂移算法相结合,解决了GrabCut算法因迭代次数太多导致分割速度慢、均值漂移算法的带宽变化影响分割效果等问题。通过实验证明,该算法分割速度较快,能很好地保持图像纹理和边界,并且当目标与背景颜色相近时,也有较好的分割结果。其次,提出特征点匹配算法识别老年人跌倒行为。算法通过计算人体特征点的归一化转动惯量从而统计相邻两图中人体特征点匹配数目,并与某一阈值作比较,从而判断人体是否跌倒。实验结果表明,该算法可有效地区分出人体跌倒与非跌倒行为,而且改变拍摄角度或遮挡部分肢体对识别结果影响较小。最后,提出改进的双绊线检测算法识别敏感区域内人体异常徘徊行为。算法通过计算敏感区域内特征点数目并结合特征点停留于区域内的时间,从而判定是否有人跨入区域并做停留。实验结果表明,该算法在单目标或多目标的情况下都有很好的识别效果,而且不受目标相互遮挡、随意走动等因素的影响,可用于多种场景。本文算法对人体跌倒行为和敏感区域内人体异常徘徊行为都有良好的识别效果,能实时检测出异常行为,与其他传统算法相比,算法受肢体运动随意性的影响小,识别率高,应用范围广。