当前视频数据规模不断增大,对视频进行手动分析不但要消耗大量人力,而且个人隐私安全成本也会进一步提高,不能很好的满足当前发展需要,因此,对视频进行智能分析变得异常关键,异常检测是目前分析视频技术最重要的研究方向。异常检测指的是解析视频内容,预测可能出现的异常事件或异常行为。视频信息中目标对象的运动轨迹富含大量时空信息,用于推测特定目标行动趋势以及特征有极高价值。然而当前用于分析轨迹的主要方法都比较复杂,并且大部分算法都还处在理论研究阶段,实际应用较少。本论文主要探讨了以轨迹为基础的检测异常行为的常规程序,提出了一种较为可靠的从目标轨迹中获取异常信息,建立能够有效检测异常现象的模型和系统。本系统包括检测运动目标,对目标进行实时跟踪,提取行人轨迹及其特征,学习并检测异常行为等多个步骤阶段。首先运用改进更新的混合高斯模型检测前景,导入可靠性,较突出的高斯分布以及可变学习率,加速模型通过学习构建背景的过程。考虑到检测前景所用阴影会使得对象形状变得宽广而且形状很不规则,对于目标跟踪造成受到影响。本次研究运用以颜色空间维度色度差最大这一基础方法去除阴影,获得较为精准的目标对象形状,能够有效的降低隐藏前景区域的几率。然后,研究了稳定跟踪目标的课题,将平均漂移以及匹配前景位置两种方法结合,根据跟踪期间可能出现的状况将目标状态划分成几大类,运用有线自动机管理目标状态,结合条件发生促使运动对象状态发生变化转移,目标正式进入研究视野之后到完全离开视野范围的全部过程都会得到记录。此外针对场景区间内的禁止对象安排设计计时器,同时对特定对象停留时间进行检测。在实际情况下,行人目标会不可避免地出现部分遮挡情况,当遮挡的部分是脚部时,我们根据我国正常成年人的身体比例进行推算,近似地给出这种情况下行人的落脚点,实验结果表明,该方法能较好改善这种情况。对于行人目标而言,要做到对其进行稳定的跟踪,就必须对行人的某一身体位置进行识别和标记,本文采用的是对行人落脚点的标记和提取。在停车场区域,行人的行为动作是在路上行走,我们将脚踝与底面的接触点作为提取的目标。最后,将各轨迹的加速度、速度、轨迹长度增长异常等情况特征提取出来,并建立长度固定的特征向量,建立自组织特征网络训练和学习特征向量,获得场景范围之内正常轨迹点的特征建立拓扑结构,对比检测目标轨迹点和正常轨迹点的特征值。通过给定阈值,当目标轨迹点与正常轨迹的之间的距离大于给定的阈值时,做出“异常”判断,将内有异常轨迹点较多的轨迹断定为异常轨迹。研究提出的方法能够迅速获得异常轨迹点,实时预警异常的行人轨迹。用研究的方法实验分析判断露天停车区域视频信息,得到了较好的检测结果。