随着科技的飞速发展和人们生活水平的不断提高,人们对自身的安全意识程度逐渐加强,智能监控设备早已在电梯、机场、银行、广场等公众场所随处可见。随着计算机视觉领域在智能监控平台的发展,异常行为的检测与分析已成为当今学者研究的热点问题,有着极其广阔的应用前景。然而,在传统的视频监控中,监控的工作需手动完成,相关人员要通过培训,还要24小时不间断地完成调整角度,捕捉异常图像,发布命令等操作,耗费了大量的时间和财力,因此利用智能监控平台完成对人体异常行为检测和分析的工作意义重大。本课题对异常行为检测过程中涉及到的相关理论和技术进行介绍及改进,异常行为检测过程大致分为三个部分:运动目标提取、运动目标跟踪和行为检测与分析。在运动目标提取方面,本课题通过比较不同背景建模算法之间的前景提取效果及执行效率,选择Zivkovic提出的自适应的混合高斯模型,得到理想的前景目标;在运动目标跟踪方面,针对几种跟踪算法的优缺点,提出改进后的Camshift结合卡尔曼滤波方法,有效解决运动人体与背景区域大面积相似和目标间重叠问题。本课题分别在室内和室外的监控场景中,针对人数较少的情况下完成异常行为检测。在室内场景下,提出基于Horn&Schunck光流特征的区域光流能量方法,通过设定阈值对五类行为视频进行分析,从而检测异常行为。与传统光流能量相比,该方法提高了识别的准确率。在室外场景下,利用人体的质心及外接矩形框等几何特征和人体运动轨迹特征分别对人体跌倒和徘徊行为进行检测,满足对异常行为检测的实时性要求。使用不同的行为视频进行测试,结果表明本课题提出的方法可以达到检测异常行为的目的。