集体行为是指视频场景中的运动个体之间具有相似性运动的一种群行为模式,是在自然界中普遍存在的一种现象。集体行为的研究与人类的生活息息相关,一直以来都吸引着很多不同学科学者的关注。同时,集体行为的识别也是计算机视觉领域中的关键问题之一。视频场景中的集体行为由形状各异、密度不均、具有部运动一致性的子群组构成,这些子群组间往往存在着交互关系。同时,任意两个子群组间的交互模式不是单一的,而是存在多种交互。这种由具有多重交互关系的子群组构成的群体行为模式,本文称之为多重交互集体行为。多重交互集体行为识别中的难点与挑战在于:1)如何衡量个体与近邻运动的一致性来解决局部子群组形状的多样性以及运动主体分布的不均匀性,以保证局部子群组识别的精确性;2)如何描述局部子群组之间的多重交互性以保证具有全局一致性的集体行为的识别;3)如何保证整个多重交互集体行为识别过程的高效性。本文针对上述多重交互集体行为识别中存在的难点与挑战,进行了大量的实验、分析和研究,提出基于流密度的多重交互集体行为识别算法FDMI,完成的工作如下:(1)本文基于流体力学,将流体的粘性应力模型平移到视频集体行为中,定义视频集体行为的流密度。它揭示视频场景中追踪个体与近邻的运动一致性,解决局部子群组形状的多样性以及运动主体分布的不均匀性,保证局部子群组识别的精确性;(2)本文基于图的连通性理论,建立多重邻接关系模型。它模型化视频场景中集体行为的多重交互性,保证具有全局一致性的集体行为的识别;(3)本文提出基于流密度的多重交互集体行为识别算法FDMI。该算法完全自动确定聚类质心个数,精确地识别出追踪异常点。在保证了高效的前提下,对于视频中多重交互集体行为的识别精确性又有进一步的提高。本文在多个数据集上的不同场景都进行了实验。并和已有的多种方法安排实验对比,从定性和定量两个角度验证本方法的准确性和高效性。同时,对FDMI算法的参数取值进行了实验讨论。