智能监控是人工智能领域的重要应用方向,人群行为分析是智能监控领域的研究热点,主要通过对视频图像中的行人行为提取特征进而分析人群运动状态,使得系统可以检测出值得关注的人群运行状况,以向工作人员提出警示或供其参考,从而减少意外和危险事件的发生。在人群运动中,显著的人群运动通常表示与主流行人运动不一致的行为,对于视频监控,这些运动行为值得更多关注,检测人群的显著运动在人群视频分析中也具有很大的应用价值。在人群中不同运动行人为了避免碰撞之间会存在着排斥力,对于与主流人群运动不一致的显著性运动行人,他们与主流人群之间排斥力则会很大。同时人群不同的行人个体运动方向可能存在差异,而显著性运动人群运动方向较混乱,因此对应的方向熵就较大。结合排斥力和方向熵的特点,本文提出了基于排斥力网络与方向熵的人群显著性运动检测算法,主要的研究内容与创新如下:1.通过计算速度矢量之间的排斥力构建人群加权网络。使用金字塔光流算法计算人群运动速度矢量场,用网络的思维分析运动场中速度矢量之间的关系,将每一个速度矢量视为网络中的一个节点,通过排斥力公式计算节点之间的排斥力,同时将排斥力的大小作为节点之间的连边权重,由此来构建基于排斥力的人群加权复杂网络模型。对排斥力网络的静态几何属性进行分析,通过关联矩阵的形式表示排斥力网络,根据节点强度定义计算关联矩阵中每个节点的节点强度,得到排斥力网络的节点强度矩阵(场)。2.使用速度矢量运动方向熵矩阵优化节点强度矩阵。对速度矢量运动方向进行分级,根据香农信息熵的定义,对速度矢量计算运动方向熵,得到描述人群的运动方向熵矩阵。对节点强度场和运动方向熵进行特征融合,通过分析对比选择归一相加的方法优化节点强度场,然后用优化后的节点强度场以伪彩图的形式显示,与视频图像叠加来检测大规模人群场景的显著性运动。对人群逆行和人群运动不稳定两种场景进行了显著性检测,仿真实验结果表明用优化后的节点强度场可以准确无误地检测到人群的显著性运动,同时与其他文献方法针对不同场景的人群运动不稳定检测结果进行了对比,用精确度和召回率两种特征参数统计比较,结果表明本文提出的方法的检测结果更加接近真实值。