随着人们对公共安全的重视程度不断提升,伴随着视频监控设备与视频处理技术的快速发展,视频监控系统在社会生活中发挥着越来越重要的作用。视频监控技术中的行人行为分析也成为了智能监控领域的研究热点之一,得到了越来越多研究人员的关注。面向视频序列的行人行为分析主要包括行人轨迹分析、行人动作姿态识别、行人流量预测等方向。本文以行人轨迹分析为出发点,针对监控视频中的行人轨迹生成算法与行人轨迹聚类算法展开研究,主要工作与创新点如下:(1)提出一种基于关联跟踪的行人长轨迹生成算法。为有效地解决现有的跟踪算法无法在效率和准确性之间达到平衡,且不适用于行人密度变化场景的问题,本文提出了一种改进的行人轨迹生成算法。该算法分为两个阶段,首先通过在线跟踪算法生成稳定可靠的轨迹片段,然后利用多种特征计算轨迹片段间的相似度完成全局轨迹关联,并引入目标跟踪生命周期管理到整个算法流程中,实现了行人长轨迹生成。最后,通过实验验证,表明了该算法的有效性和可行性。(2)提出了一种融合语义信息的轨迹密度聚类算法。由于监控系统采集到的行人轨迹数据具有占用存储空间大的特点,现有的轨迹聚类算法缺乏合理有效的相似性度量方法,以及轨迹聚类算法存在输入参数难以确定的问题,因此本文提出了一种改进的轨迹聚类算法。该算法综合考虑了监控场景中的实体语义信息,使用有向单向距离来计算轨迹相似性,并利用数据集自身统计特性确定了密度聚类的输入参数,从而实现对轨迹的聚类,进而能够有效地提取出行人运动行为模式。最后,利用现有的行人轨迹数据集对算法进行了验证,实验结果表明本算法高效性和准确性。(3)根据基于轨迹的行人行为分析存在的问题和实验室项目的具体需求,在传统视频监控系统架构的基础上,集成了本文提出的基于跟踪的行人长轨迹生成算法和融合语义信息的轨迹密度聚类算法,设计并开发了一种智能行人轨迹分析平台。首先对系统的总体设计架构进行介绍,并介绍了系统中主要模块的运行流程,最后展示了可视化界面。该系统集成的多种功能使其具有良好的应用价值。