近年来,恐怖袭击和突发性群体事件不断挑战城市的防御底线,公共安全问题已在全球范围内引起广泛关注。传统的视频监控主要依赖于人工监控,费时费力且效率低,智能视频监控系统的实现成为了减少公共场合内群众人身伤害及财产损失的有效措施。因此,对基于视频监控的群体异常行为检测系统进行深入研究具有重要的应用价值与深远的现实意义。针对传统群体异常行为检测系统实时性与场景适应性不能达到平衡的情况,结合机器学习相关最新理论成果,提出一种结合群体密度特征和运动特征以实现群体异常行为检测的新方案。本文对群体密度进行估计,而后提取群体运动特征,最后利用随机森林分类器实现群体异常行为的多类别检测,具体研究工作如下:一、群体密度估计。提取ROI范围内经过透视矫正算法更新的二值前景面积,利用FAST角点密度设定群体密度权重值,完成前景像素归一化;在不同权值范围内运用各自的最小二乘法拟合曲线估计出群体密度等级。群体密度估计的主要目的是排除运动矢量在群体稀疏场景下仍可能较为混乱的情况,减少误判。二、群体运动特征提取。利用二值前景掩码得到图像前景图,计算局部稠密HS光流场后经过光流场掩码提取光流运动信息,而后提取平均动能和运动方向熵这两种群体运动特征;对光流场掩码内的FAST角点计算其两两之间的欧式距离,提取距离势能;利用归一化前景面积计算得到群体人数变化率。提取的四种群体运动特征分别描述了群体运动的剧烈程度、运动方向的混乱程度、群体个体间的分散程度以及视频拍摄范围内人数的变化速度。三、群体行为识别。将提取的四种群体运动特征作为分类属性,利用训练样本训练得到随机森林分类器后根据测试样本中的各类属性差异判断类别,实现群体异常行为的识别。本文就正常、室外恐慌、同方向突散、急走急停这四种典型群体行为进行深入研究与识别分析。本文提出的群体异常行为检测方法主要在场景适应性和实时性方面进行了有效改进,算法对UMN和PETS2009公共数据库内多个相关视频进行仿真实验分析,并与其他检测算法进行对比分析,实验结果表明:本文方法能够自动有效的检测出群体异常行为并识别其类型,模型简单计算复杂度低,识别率能达到98%,且实时性好,具有较高的鲁棒性。