目前国内大部分公共区域都安装了视频监控系统,但这些监控系统大多都只具备一个“事后查证”的功能,所以通过监控视频进行人群行为的识别分析和预测是很有必要的,针对目前群体异常行为识别率不高,识别速度较慢,且不能进一步定位异常发生区域等问题,本文提出一种基于神经网络的人群异常行为识别与分析方法,对人群整体异常行为做出检测分析,判定异常发生,可以提前为监管人员警示危险,提前进行通道部署疏通人群,最终防止意外危险的发生。本文通过人群突散、人群聚集等方面去进行异常行为的检测分析,具体工作如下:一、改进的多尺度卷积神经网络。本文根据VGG网络模型的思想,在原来的网络基础上,增加了网络的卷积层,可以提取更多的像素特征,使得检测效果提升。本文主要通过改进的多尺度卷积神经网络预测监控视频中的行人头部坐标以及获得人群密度图。目前大多方法都是使用光流法提取特征点再计算其运动状态,由于光流法提取的特征点较多,虽然只是计算了特征点的运动和方向值,但其计算量依旧较大。本文通过预测的行人坐标点计算了三种人群运动状态特征值对人群行为进行动态的分析,通过三种特征值的动态变化来说明人群整体的运动状态。三种人群状态特征值分别为人群平均动能、人群密度值和人群分布熵。由于行人坐标唯一,从而计算三种特征值时减少了一定的计算量,检测速度也有所提升。二、人群异常行为分类算法。本文主要对人群进行整体性的分析,针对分类准确率较低,实时性不好等问题,本文采用极限学习机对上述计算得到的人群运动状态特征值进行异常分类,并通过差分和粒子群优化算法对极限学习机的连接权值、隐含层偏差进行参数寻优,提高分类准确率。由于隐含层节点数需要自己手动设置,一般情况隐含层节点个数越多,对于异常分类的准确率就会越高,通过不断设置节点数去提高准确率,本文通过加入时间复杂度的计算,在达到最高准确率的时候,找到较适合本文数据集的隐含层节点数,以此减少计算量。通过实验结果表明,优化后的极限学习机具有更高的准确率和实时性。三、人群聚集异常行为分析。本文通过YOLOv3目标检测网络检测识别监控视频安防系统中的行人,对其行进路线进行识别与跟踪,并实时更新行人位置。在识别目标行人之后,将检测到的行人中心点通过不断更新保存其位置,获得监控视频中的行人轨迹。实验结果表明,通过实时分析监控视频,对每个行人进行检测与跟踪,根据人群范围的不断缩小,实现人群聚集行为的检测。针对无法定位聚集异常区域,本文通过计算人群轨迹坐标点的均值与标准差,最终实现聚集异常区域的判定。通过上述方法对监控视频安防系统中的异常行为进行检测分析,实验结果表明,上述方法都具有可实施性,且根据对比实验表明,检测的速度和准确率也都有所提升。