近年来,随着计算机视觉技术在智能监控中的不断发展,异常行为的检测与分析已成为当今学者研究的热点问题,虽然目前取得一些研究成果,但并未完全成熟,该技术仍是计算机视觉研究领域的一项难点问题。因此,本课题对奔跑、尾随、打架这些常见且应用广泛的异常行为深入研究,具体工作如下:第一,分析人体检测相关技术,为确保目标提取的精确性,提出一种加入梯度相关性的非参数化随机样本模型,该方法能够提高背景初始化、背景模型更新速度,抑制“鬼影”。考虑到关键帧技术可以减少视频分析工作量,选择一种自适应无监督聚类融合交叉熵的提取算法,随着场景的变化自动选取相应数量的关键帧,从而解决固定阈值对聚类算法的局限性,导致关键帧提取不准确的问题。第二,提出一种关键帧融合幅值方向直方图熵的异常检测算法。该算法采用自适应无监督聚类融合交叉熵的关键帧提取算法获得运动视频的关键帧图像,采集运动目标幅值直方图,添加熵,将熵值作为判断异常行为的总特征,从而减少计算复杂度,并与关键帧结合支持向量机的异常行为检测算法、马尔可夫模型的异常行为检测算法比较分析。第三,在不同的场景下,分析采集异常行为的关键性运动参数,建立奔跑、尾随、打架的异常模型,给出模型判断的流程图,并从识别率和消耗时间两方面来衡量所建模型的性能。结果表明,所建立的异常检测模型能够有效地检测出具体异常行为。综上所述,在人体异常行为检测中选用梯度信息的非参数化随机样本模型能够解决目标检测不精确的问题,提出自适应聚类融合交叉熵的关键帧提取算法能够自适应的选择关键帧,结合幅值方向直方图熵的异常行为检测算法相对于关键帧结合SVM、马尔可夫模型的异常行为检测算法识别率更高,所建立的模型能够准确的识别具体行为。同时,智能监控效率得到提升,对于公共安全的稳定起到至关重要的作用。