随着计算机技术的迅速发展,监控视频越来越广泛地应用于社会公共场所,成为了智能监控系统的重要组成部分。由于大多数监控视频异常检测方法都依赖于复杂的特征提取,所以在视频异常检测的检测性能和时间效率方面仍然存在一定的提升空间。本文利用CNN并结合时序变化初步检测异常区域,利用光流进一步检测异常,以提高检测性能和效率。本文的主要研究工作如下:首先,给出了基于时序CNN与稀疏光流的监控视频人车异常检测方法。在明确数据源与研究的主要问题后,确定了将时序CNN和鲁棒的稀疏光流两种方法进行融合的技术路线,阐述了融合方法。其次,提出了基于时序CNN的视频异常检测方法。通过在全卷积网络中插入一个二值量化层,形成二值卷积网络,以此确定输入图像和输出特征之间的空间关系;引入时序CNN模式(TCP),通过重叠视频块来计算二值图,通过上采样得到TCP图,以初步检测视频异常序列。接着,提出了一种基于鲁棒稀疏光流的视频异常检测方法。通过前景遮罩、寻找良好特征点、空间采样及前后项校正等方法提取鲁棒的稀疏光流;对可以表现有效运动特征的光流直方图进行计算;把上述得到的鲁棒稀疏光流与光流直方图进行特征聚合,以进一步检测视频序列异常。最后,分别在实际采集的监控视频和标准数据集上进行了实验和评估。在标准数据集上对比了近年来流行的视频异常检测方法,结果表明本文方法错误率有所下降,准确率也保持较高水平;在实际采集的监控视频数据集上测试了本文方法的实际效果,验证了该方法的有效性。研究工作表明本文提出的方法改进了传统光流法的效率,降低了聚类的成本,并且能快速、高效地检测监控视频人车异常。