近年来,基于稀疏表示的异常事件检测成为计算机视觉领域的一个研究热点,该方法通常要使用正常样本离线训练一个字典,然后对待检测的样本进行稀疏表示。其主要问题在于:一方面,实际应用环境中的场景与事件是不断变化的,离线训练的模型并不能很好地适应这种变化,通常会降低检测准确率。另一方面,为了使字典具有较好的表示性,字典的规模往往比较大,在进行稀疏表示时耗时长,会大大降低检测速度。针对上述问题,本课题研究了一种基于在线自适应字典学习的异常事件检测算法,主要的研究内容包括:提出了一种在线自适应字典学习算法。在线性体现在该算法采用单步迭代的方式进行字典的更新,字典的学习速度快。自适应性体现在该算法在进行字典更新的过程中,会将字典中向量基对当前视频数据的活跃度考虑在内,保证字典具有较好的表示性能。在字典的学习过程中,提出了权重矩阵的更新策略以及字典的在线更新策略。通过权重矩阵的更新策略可以对字典中的向量基对视频数据的活跃度进行更新,而在字典在线更新的过程中,利用向量基对当前视频数据的活跃度,保证字典中的向量基始终与视频数据的变化保持一致。因此,通过该字典学习算法得到的字典具有更好的自适应性,字典规模缩小的同时,保持有较好的表示性。将在线自适应字典学习算法应用到异常事件检测当中,提出了基于在线自适应字典学习的异常事件检测算法。使用在线自适应字典学习算法得到的字典规模较小,进行稀疏表示所耗费的时间少,保证该异常事件检测算法具有较快的检测速率。同时,该算法在异常事件检测的过程中,采用在线更新字典的方式,对于新的视频内容,字典将会不断学习,并且不断地更新自身去适应视频中数据内容的变化,比离线训练的模型更加灵活,能够保证该检测算法保持有较好的检测准确率。本课题使用了公共视频库:UMN以及Subway数据库进行了实验,在检测性能方面与其他异常事件检测算法进行了对比分析。实验证明,本文研究的方法在异常事件检测中有着较快的检测速率和较好的检测准确率。