异常行为检测是基于视频的行为分析和理解的第一步也是至关重要的一步。随着场景中目标数量的增加,因遮挡重叠等容易造成运动目标丢失。传统的基于目标的行为检测和追踪方法在稠密场景中具有一定的局限性,仅适合目标数量较少的场景。为了克服稠密场景中检测个体目标的困难,基于粒子平移或兴趣点追踪的整体分析的方法,能够从宏观和微观两个方面分析图像和视频的有效特征,为稠密场景中基于视频的异常行为检测提供一种不同的研究思路。本文以视频序列中个体行为和群体行为为研究对象,探索和改进以兴趣点为基础的异常行为检测方法。从图像中具有稳定特征的定向二进制简单描述符(Oriented BRIEF,ORB)兴趣点入手,结合基于金字塔模型的光流法,提取图像中ORB兴趣点在空间和时间上的基本特征,表征运动目标的行为动态特征。通过分析兴趣点光流和空间位置的关系,根据监控场景的不同进行矫正,建立正常行为基准,检测出特征尺度高于基准线的异常行为。本文主要研究结果如下:(1)针对个体异常行为检测,分析正常行走行为和异常奔跑行为视频序列中ORB兴趣点特征在空间和时间上的不同。统计个体行为的ORB兴趣点在空间区域的宽高比中位数特征和连续视频序列中的平均动态光流特征,从空时两方面表征个体行为的差异,进行个体异常行为检测。实验结果表明该方法能够准确的检测出异常行为。(2)根据异常行为适用性的不同,群体异常行为分为群体全局异常行为和群体局部异常行为。针对群体全局异常行为,利用ORB兴趣点的平均动能衡量每一帧的运动剧烈程度,根据异常发生位置,建立双阈值正常行为基准,利用K-均值聚类方法,对兴趣点的空间位置进行聚类,根据聚类中心所在的位置,提出一种自适应的选择正常行为基准的方法。针对群体局部异常行为,通过对不同空间位置处的正常兴趣点光流进行统计分析,建立一条正常行为兴趣点光流基准线,检测和定位出高于基准线的兴趣点所覆盖的运动区域,作为异常行为的发生位置。实验结果表明,基于ORB兴趣点的方法,具有较高的性能,对目标遮挡、尺度变化具有较强的适应性。并且检测精度和最新的研究方法相近。