随着计算机硬件以及数字信息技术的迅速发展,计算机视觉成为热门的研究领域,成为广泛关注的对象。近年来,考虑到公共安全事件对国家建设发展以及公共安全的重要作用,在火车站、地铁口、大型商场、街道等公共场所安装了大量的视频监控设备。传统的视频监控技术已经无法满足实时有效地对海量视频的监控,如何快速地、实时地、智能地进行视频的监控与处理成为热门的研究方向。这其中,异常行为检测作为智能监控领域中的重要研究内容,主要完成对视频监控的异常行为的检测以及预报预警,减小异常事件对公共安全的危害。本文主要针对群体异常行为展开研究,主要的工作以及成果如下:(1)完成了视频运动特征的提取,针对运动目标检测三种算法的原理进行了详细的介绍,针对三种算法的优缺点进行了讨论。本文基于“异常事件”是非“正常事件”的思想,提出了基于稀疏表示异常行为检测算法。针对本文所采用的稀疏表示理论基础进行了详细的阐述,在传统地稀疏表示算法基础上采用了基于稀疏度的字典更新算法,进一步提高了异常行为检测的精度。(2)本文提出了一种基于时空特行融合的稀疏表示异常行为检测算法。该方法首先根据Horn-Schunck光流算法提取目标运动信息的HOF作为时域特征。其次,计算图像的SI作为空间特征。融合时域特征与空间特征得到视频信息的时空特征,将融合时空特征进行稀疏表示异常行为检测的算法与传统的HOF特征稀疏表示异常检测方法进行实验对比,利用正常样本所提取的特征进行稀疏字典的训练,检测阶段利用稀疏重构稀疏计算重构代价进行异常检测,实验证明该方法有效提高了对比度较低的视频异常检测率。(3)在融合时空特征进行异常检测的基础上,为提高特征的有效性和检测的准确性,提出了一种改进PCANet网络提取高层特征的稀疏表示群体异常行为检测方法。在原始PCANet的基础上,采用了池化操作,有效地减小了所提取的高层特征的维度,使后续稀疏表示分类困难的问题得以解决,同时避免了过拟合。本文利用改进PCANet进行异常行为检测,采用改进的PCANet网络对视频帧融合的时空特征提取高层特征,构建基于高层特征的正常行为样本的稀疏字典。将待测视频图像的高层特征进行稀疏重构,利用重构代价判断事件是否异常。针对改进PCANet网络滤波器数目的不同带来的异常检测率的不同,进行了对比实验,采用合适滤波器数目的改进PCANet进行高层特征提取与低层特征进行对比试验。本文在UMN以及WEB数据集进行实验,实验结果表明该方法能够有效地检测不同场景下的群体异常行为,相对传统的低层特征有效地提高了异常检测率。