监控视频中异常事件检测是智能视频监控系统的重要组成部分,近年来在图像处理、机器学习和视频数据挖掘等领域得到越来越多的关注,具有重要的理论研究意义和实际应用价值。异常事件检测方法的流程可以归纳为图像预处理、基本事件表示、异常事件检测模型构建和异常事件判断等四个步骤。本文对已有检测方法进行了深入研究分析,针对已有模型的基本事件表示方法上存在的漏检全局异常事件和对特征描述符利用不充分问题,提出了算法改进优化方法,提升了算法检测性能,降低了计算复杂度。主要的内容包含如下两个方面:一方面,研究了基于分层特征表示的异常事件检测算法,针对模型中存在的时空兴趣点计算方法噪声高和全局事件建模方法复杂度高等问题进行了改进和实验验证。该算法的基本思想是利用时空兴趣点作为低级特征表示局部事件,利用多个时空兴趣点构成的集合体作为高级特征表示全局事件,分别通过聚类和回归模型建模判断局部和全局事件。针对时空兴趣点计算方法噪声高的问题,我们提出利用前景掩码对时空兴趣点筛选的降噪方法。针对全局事件建模方法复杂度高的问题,我们提出最小二乘法建模方法,在保证基本检测率的前提下,降低了模型的复杂度。另一方面,研究了基于单元分析的异常事件检测算法,针对特征描述符粗糙引起检测效果差的问题,例如运动特征描述符粗糙不能检测速度方向异常,纹理特征粗糙不易将正常纹理和异常纹理区分开,进行了改进和实验验证。该方法的基本思想是在视频上划分非重叠的单元,利用运动、大小和纹理等多种低级特征独立建模,并建立相应的分类器对异常事件进行判断。针对运动特征描述符粗糙的问题,我们提出基于前景对象的极坐标下的HOG3D(Orientation Histograms of 3D Gradient Orientations)特征作为运动特征,可以同时检测前景对象速度大小和方向上的异常。针对纹理特征描述符粗糙的问题,我们提出使用等价模式的LBP(Local Binary Pattern)特征作为纹理特征来有效判别前景对象的纹理异常。