异常事件检测是一种计算机视觉领域中的热门研究课题,异常事件检测可以被广泛应用于视频监控、智能检测等领域 该问题的突破可以带来相当的社会价值和经济效益,比如能够减少监控中的人力成本,提高视频监控的时效性与准确性。异常事件检测是一个二分类问题,在非基于深度学习的分类方法中,稀疏表示是一种主流的方法。稀疏表示可以将训练样本向量抽象为一个稀疏矩阵,该稀疏矩阵可以有效地对训练用样本向量进行线性还原。基于这一特性,对于一个待检测的向量,如果可以使用该稀疏矩阵有效地还原,则说明该向量与训练样本是同类型的向量,反之若该稀疏矩阵不能很好地还原一个待检测向量,说明该向量与训练样本相差很大。本文从改进HOF的光流计算方法入手,对HOF在异常事件检测中的应用作出改进。计算光流场是一种进行视频研究时常用的分析方法。光流场表示了空间运动物体在观察成像平面上的像素运动的瞬时速度。对一定区域内光流场方向进行映射和统计就可以得到光流直方图HOF特征。HOF是一种泛用性强的特征向量,被用于模式识别、动作检测等多种问题,同时也由于它的泛用性,导致HOF在被应用于某一特定问题时有很大的改进空间,本文通过比较使用不同的光流算法计算HOF特征,对比了不同光流算法得到的HOF在异常事件检测问题上的表现,同时针对异常事件检测这一问题对HOF的计算方式做出了改进。本文采用特征点轨迹的HOF值作为特征向量。使用从训练视频中提取的HOF值作为训练数据训练稀疏矩阵。对于待检测视频,计算它的某一时间段轨迹的HOF特征,通过将它们与训练得到的稀疏矩阵进行计算,然后进行综合分析得到该时间段视频的异常事件的分数值。