在智能视频监控领域中,人群异常事件检测技术是关键课题之一,其主要任务是从监控视频中试图自动筛选出各种不同的异常事件,并能够及时提醒安防人员应对处理。在拥挤场景中运动个体数量较多且容易发生遮挡现象,使用基于运动目标跟踪的传统异常检测方法检测效果很差,也是不切实际的。基于此,本文从理论与实际角度出发对人群异常事件检测方法进行了新的探索。针对异常区域的检测,本文采用了一种半参数模型的扫描统计方法,其中异常区域范围的确定可通过设置扫描窗口的大小。在该方法中首先需要提取视频序列中运动目标的光流信息;然后,通过视觉词袋模型将获得的光流信息转化为流词直方图;最后,计算区域内外似然比检验统计量,从而实现区域异常的判断。人群异常事件包括全局异常事件和局部异常事件。针对全局异常事件的检测,本文将扫描窗口设置为整个视频帧的大小,将检测的异常区域中存在的事件视为全局异常事件。针对局部异常事件的检测,本文首先以局部最近邻描述符为特征描述因子,对正常行为视频的每个单元格进行训练,从而为每个单元格获得各自的混合成员朴素贝叶斯(MMNB)模型;然后将局部异常区域均分为相同的单元格,采用最大光流能量法搜索到最有可能发生异常行为的单元格即最大能量单元格,与此同时计算出该单元格的局部最近邻描述符;最后,对最大能量单元格在MMNB模型下进行异常判断,若单元格判断为异常后,则对其四邻域的单元格继续进行检测,从而达到对异常的定位。此外,将本文提出的方法在UMN数据集、UCSD数据集上分别进行了实验,实验结果表明本文提出的异常检测方法不仅可以抑制光照、阴影等干扰的影响,而且对于全局异常事件和局部异常事件检测较一些经典的方法在检测性能上都有一定的提高。