针对目前公共场所人群异常行为检测的异常种类定义较少,检测准确率不高,大多检测奔跑异常以及对某些异常无法识别等问题,提出一种基于YOLOv3与稀疏光流的人群异常行为识别算法,通过检测小团体异常,即引发群体异常的诱因,来为群体异常预警与采取相应的应急措施提供充足的时间。首先,为方便定位异常发生区域,将视频分割为多个子区域,获取子区域的图像样本;接着进行诱发群体异常的小团体异常检测,针对传统算法较难检测行人持棍、持枪、持刀与面部遮挡等异常,通过YOLOv3神经网络对这些异常进行检测。最后,由于从众心理等原因,在未检测到上述异常诱因时,人群也会发生突散异常,对此使用稀疏光流法获取人群平均动能与运动方向熵,将得到的特征数据送入DE-PSO-ELM进行分类,区分正常行为与同向突散或无规则突散。实验结果表明,与现有算法相比,本文算法能有效检测行人持械异常与面部遮挡异常等小团体异常,并且能定位异常发生区域,为预警与采取应急措施提供了更多时间,其准确率也达到了98.18%。已有的公共场所人群聚集异常行为检测方法较少,而且存在下列问题:大多检测方法都是在人群已经异常聚集后再进行的检测,检测准确率不高,时效性不够好等。提出一种基于多尺度卷积神经网络(MCNN)的人群聚集异常预测算法。首先,通过多尺度卷积神经网络训练一个人群计数模型,模型训练好后对人群聚集异常视频进行测试;在测试中完成人群人数统计与人群头部坐标点获取,进而计算人群密度、人群距离势能与人群分布熵。最后将得到的三种人群运动状态特征值利用PSO-ELM进行训练,得到预测模型,通过特征数据的变化,完成人群聚集行为的预测。实验结果表明,与现有算法相比,本文算法能有效实现人群聚集异常行为的预警,时效性强,为采取相应应急措施提供了更多时间,预测准确率达到了97.17%。