随着人类物质生活生活水平的提高,安全问题越来越被人们所重视,用于社会和谐、生命财产安全的安防系统近年来也随之发展迅速。作为安防监控领域中的核心组成部分,异常行为检测起着关键性的作用。异常行为检测,即使用计算机在监控视频中自动、准确的发现异常可疑行为并进行报警,主要应用在机场安全、地铁安全、住宅小区安全、校园安全等监控系统中。早期的智能监控系统是利用计算机对特定异常行为的自动识别检测,该方向已逐渐发展成熟,也有相应的产品出现。但因需要预先对行为进行学习定义,具有特异性,无法进行广泛应用。近年来,对能够在任意场景下自动学习异常行为并检测的研究开始逐渐兴起,虽然有了一些研究成果,但对于如何自动的分析并定义异常行为、如何进行异常判决等问题都没有很好的解决。本文主要研究在任意场景下均能使用的异常行为检测算法。通过摄像头在任意一个场景下拍摄一段较长时间的视频作为训练数据集,分析其中出现的行为,统计出同类行为的频率,根据频率的高低对行为进行正常/异常的定义,并据此进行实时检测判决。主要研究内容如下:1,提出了一种轮廓序列的描述子,及相应的提取算法。算法利用帧间差和背景差的融合结果提取出运动目标区域。针对复杂场景下目标轮廓的断裂情况,提出外切线探测算法获取目标的外轮廓。在多目标处理时,设计跟踪系统,实现对目标的跟踪、融合、分离。2,针对描述子的维度不等产生的度量问题,提出了一种采样、量化的处理方案,并以量化所得的轮廓单词作为状态空间集构建马尔科夫概率模型;构建相应的异常判决准则,用以对获取的轮廓序列描述子进行统计建模和测试判决。3,研究了基于滑窗探测运动的异常行为检测,提出了基于聚类的混合高斯模型,用于异常判决。4,将基于马尔科夫概率模型的异常行为检测算法用C/C++语言和OpenCV、MFC类库完成软件实现,并进行实时性测试。实验证明本文提出的轮廓序列描述子和马尔科夫概率模型能在复杂环境中较好的完成异常行为检测,基于聚类的混合高斯模型能较好的在多目标的场景下进行异常行为检测。