随着人工智能的快速发展以及人力成本的不断提高,智能监控技术的发展越来越受到研究者们的重视。而对视频监控中的人群行为进行检测与分析是智能监控系统的核心内容,其主要任务是从连续帧图像中检测与提取出人群的运动特征,并实现对人群运动状态的描述与分析。当检测到有异常行为发生时及时进行报警提示,从而能够在最大程度上减少人员的伤亡与财产的损失。因此,如何准确且及时地对人群异常行为进行检测是本文的研究重点。目前,人群行为分析的方法主要分为两类:微观分析法和宏观分析法。由于第一种方法需要将单个个体从人群识别出来,当人数众多且个体间存在相互遮挡时,会产生较大的误差。所以本文从宏观分析入手,提出一种基于能级分布变化的人群异常检测方法。其具体内容主要包括粒子动能模型的建立、能级共生矩阵的求取以及异常行为的检测三部分。首先,我们将图像中的每个像素点看成一个运动粒子,并用光流法来提取粒子的速度。然后提取距离相机最近和最远的行人的前景,并对其前景面积进行插值运算,得到不同位置处粒子的质量;其次,根据粒子的速度与质量信息建立粒子动能模型,并以此来求取视频中每个运动粒子的动能。然后通过对动能的量化分级得到各个粒子所对应的能级,并以能级共生矩阵来对粒子的能级分布进行描述;最后,通过分析共生矩阵的一致性、熵、对比度三个描绘子的变化来对人群的运动状态进行判断。然后通过计算得到不同描述子的阈值,并以此来确定人群异常行为发生的时间。本文对UMN数据库中三个不同场景的多组视频进行了实验,并将其实验结果与两种不同方法的检测结果进行了比较,结果表明,当人群发生异常时,本文算法可以有效地进行报警提示,且检测结果与另外两种方法相比更加接近于真实值。