近年来随着经济、科技的不断发展,人们对于安全防范的需求不断增加,我国也不断推行各项政策来推动相关智能监控产业的发展。作为智能监控的核心部分,异常检测在公共安全领域有着广泛的应用空间。异常检测是指通过设计算法使得计算机能够自动的检测出监控视频中人物的异常行为。开展监控场景下基于视频目标分析的异常检测算法研究,在学术研究和实际应用中具有重要的研究意义和价值。在现实监控场景中,异常检测算法仍然有诸多问题需要克服,主要表现为:(1)现实场景中大多数异常行为和运动关系密切。而现有的运动特征往往过多挖掘光流方向信息,忽视了光流幅度信息,无法充分提取有效的运动信息;(2)不同的场景对异常行为的定义不同,.而现有的异常检测算法多数基于非正常即异常的原则通过对正常视频建模来检测异常行为,不能给出判定成异常的原因。本课题的研究内容是监控场景下基于视频目标分析的异常检测算法研究,重点解决现有异常检测算法存在的这些问题,提升异常检测算法的性能。本课题主要研究内容和创新点如下:1.提出一种基于HMOF特征和跟踪的异常检测算法。考虑传统运动特征对运动信息表现不足的缺点,本文提出一种新的HMOF运动特征。相比现有的运动特征,HMOF特征对光流幅度更为敏感,有利于区分异常。本文首先提取视频帧前景区域,接着计算前景区域的HMOF特征,之后将所有的特征送入自编码器中进行重构,使得正常和异常区域的运动特征分布差异更为明显;然后利用混合高斯模型来判别异常;最后采用跟踪模块来跟踪异常的区域,从而使得异常在时间域和空间域上呈现连续性。后续实验表明,在不加入跟踪模块时,本文提出的算法不仅性能优于现有其他算法,而且能够实时的检测异常。在加入跟踪模块后,虽然速度会有所降低,但算法性能得到了进一步提升。2.提出一种基于多元融合的异常检测算法,通过分析监控视频中每一个目标的视觉概念来检测异常。其中,本文将从目标类别、动作类别和运动特征这三个分支来提取目标的视觉概念。目标类别分支聚焦于视频中目标的外观纹理信息,动作类别分支聚焦于目标的动作信息,运动特征分支聚焦于目标运动特征的分布情况。虽然这些分支关注的侧重点各不相同,但它们可以相互补充,共同检测异常行为。通过融合三个分支的检测结果得到最终的异常分数。此外,在动作类别分支,本文提出了一个动作识别模块,利用视频信息来解决单帧多目标多动作识别问题,这一技术也是首次在异常检测领域被使用。后续实验表明,本文提出的异常检测算法的性能不仅领先其他异常检测算法,而且在检测异常的同时从多个视角去解释判定成异常的原因。