随着人工智能技术的发展,在大数据和云计算的支撑下,来自计算机视觉技术下的智能视频监控是网络化视频监控领域前沿的应用发展方向,其中视频监控下的异常行为检测研究是关键课题之一。由于社会各个领域对安防需求的不断增长,视频监控设备已广泛应用于交通路口、商店、银行、地铁车站和学校等公共场所,以保障社会安全。传统的视频分析主要靠人为区分,花费大量人力物力,而数字化、网络化的视频监控系统对于传统的系统的优势愈发明显。因此本文从理论和实际出发,对视频监控中的异常行为检测进行新的探索。本文首先介绍了基于双重稀疏表示的全局异常行为检测方法。该方法首先将视频帧分成若干大小相同的区域,并且沿时间轴构成一个容器;然后,对于时空容器中的每一子区域,计算其混合光流直方图;最后,对混合光流直方图进行稀疏重建,并选择足够的训练样本建立初步的正常行为词典与异常行为词典,并在训练过程中不断更新词典,在异常词典建立完备后,之后到来的样本会有两个稀疏过程,接着用模糊积分进行全局异常行为检测。本文然后介绍了基于在线加权聚类的局部异常行为检测方法。该方法首先对输入的视频流进行基于Harris角点的显著性目标检测,即根据目标的运动信息和提取的角点特征检测出人群的活动区域,并利用贝叶斯方法和显著扩散进行活动区域优化;然后,在感兴趣区域内提取混合光流直方图特征;最后,利用在线加权聚类来实现测试视频的分类,并利用多目标跟踪方法实现优化。本文在公共数据集UMN和UCSD上进行实验,实验结果表明本文提出的全局和局部异常行为检测方法不仅能避免光照和人物遮挡的影响,而且较之前的方法在检测性能和评价标准上有更好的表现和精度。