智能监控是计算机视觉研究领域的前沿，具有极大的实用价值与广泛的应用前景。智能监控具有全天候监控、不需要人为干预、检测率高、实时报警等多方面优点。在当今人力成本越来越高的现代化社会中，智能监控所具有的这些优点正好符合很多场所的监控需求，受到越来越多研究人员的关注。异常行为检测是计算机视觉和智能监控系统的研究前沿，具有极高的社会价值和广泛的应用前景。对异常行为实时准确的检测并向相关监测人员发出警报，对有效制止危险行为，控制事态发展具有重要的意义。因此如何检测人的异常行为就是本文的主要研究课题。视频去噪的目的主要是消除在图像、视频的产生以及传输过程中，由于受硬件技术或者其他干扰因素的限制所产生的噪声。噪声往往是不可避免的，但噪声的出现将严重影响着图像以及视频的视觉效果。本文在三维非局部滤波去噪方法的基础上，提出一种基于区域光流的运动目标物体偏移修正策略，且对视频帧间滤波进行加速改进。运动目标提取是图像处理技术的基础，很多后续处理，如跟踪、识别和行为分析等都需要很好的运动目标提取结果。运动目标提取主要有帧差法、光流法和背景减除法。帧差法比较简单，利用两帧图像的差异提取运动目标，但提取结果易受环境的干扰而且提取目标不完整，存在空洞现象；光流法利用环境中光流场变化情况提取运动目标，可以应用在移动摄像头中，但光流场的建立容易受光照变化的干扰，而且计算复杂，如没有特殊的硬件支持很难达到实时性的要求；背景减除法是目前的主流方法，利用当前帧图像与建立的背景图像的差异提取运动目标，其关键是背景的建立和更新。本文采用背景减除法的思想并利用双背景模型的方法提取运动目标。首先利用自适应的滑动平均算法提取运动目标大致前景，并结合HSV颜色空间的背景模型去除光照影响以及噪声影响，提取精确的运动目标前景。该方法具有抗光照干扰能力强，在复杂环境下提取运动目标较为鲁棒，并且具有计算量少可以实时提取的优点，为后续人的异常行为分析做出了坚实的基础。目前，异常行为检测方法大多存在检测之前训练时间较长、训练时需要提取大量图像、需要大量精确的实验样本等缺点，而且异常行为的分析和检测需要复杂的计算，很多方法都无法达到实时监测的效果。为了达到现代智能监控系统的实时性要求，适应复杂环境，本文提出一种基于加权光流能量的异常行为检测方法。在背景建模中提取的运动目标的最小邻接矩形内，采用Lucas-Kanade方法计算区域内光流信息，并定义单位光流能量的概念，并通过光流信息计算出运动目标的单位加权光流能量来判断是否发生异常行为。基于单位光流能量的异常行为检测方法，不依赖摄像机拍摄的角度且目标距离摄像机距离的远近也不会对检测带来明显影响，具有比较通用的优点。在室内外环境的实验结果表明，该算法能够准确检测人的异常行为，算法鲁棒性较高，计算复杂度较低，能够满足实时性要求。本文将会用到视频去噪和运动目标提取的一些基本算法，例如3D NLM算法、滑动平均算法、混合高斯算法、码本算法。各章会对所涉及的方法及一些常用算法给出基本的介绍，最后对本文所提出的基于加权光流能量的异常行为检测方法给出详细设计、分析以及实验结果。