智能视频监控是利用计算机技术实现自动视频分析的技术。作为一种有效安防的手段,智能视频监控系统正越来越受到人们的青睐。对于视频序列中行人异常行为的分析识别是智能视频监控领域中日益受到重视的一个研究方向。基于异常行为分析的智能视频监控系统不仅能忽略大量监控系统中对安防无用的信息,从而高效地完成保障安全的任务,还能节省大量的人力物力,给社会带来很大的经济收益。并且能够实现即时报警,解决了传统监控系统的事后性。本文从理论和实际应用的角度,对以视频为输入的异常行为识别进行了一些新的探索,以下所提出的算法均在实践中进行了应用。本文的主要贡献如下:1)提出了基于模板匹配的最小标准方差行为分类算法,解决了监控中不同人的类似动作但不完全相同的情况,有效解决了非固定速度的行为分类问题,能比较好地执行行为的分类任务。围绕着人的动作是时间序列上姿态的集合这样的事实,利用人的动作行为的周期特性,先将图像序列转换为一组静态形状模式,然后在识别过程中和预先存储的行为标本相比较。在建立标准库的过程中,提出了在最不相似的标准模板的生成算法,利用Procrustes中值形状距离作为图象的相似度标准,找出在一个视频测试周期内与标准库内动作标准方差最小的行为,实验证明最小标准方差算法解决了非连续性识别的要求,克服了模板匹配对运动时间间隔变化敏感的问题;提出了基于模板匹配的平均值与最小方差加权的行为分类算法,利用Zernike速度矩距离作为图象的相似度标准,找出在一个视频测试周期内与标准库内标准动作平均值与最小方差加权最小值,从根本上解决了在同一段时间内不同动作变速动作的分类,解决了某个图象集合中标准方差最小,但可能两个图象集最不相似的问题,增加了动作分类的准确率。2)提出了基于模糊联想记忆网络的行为分类方法,解决了动作姿态之间联系的问题,使得计算机识别过程向人的思维靠拢。把每个静态姿势作为一个状态,这些状态之间通过某种概率联系起来。任何运动序列可以看作为这些静态姿势的不同状态之间的一次遍历过程,在这些遍历期间计算联合概率,其最大值被选择作为分类行为的标准。人的运动轮廓特性被用作学习和识别的低级特征;学习是利用HMMs来为每个类别产生行为矩阵,作为模糊联想网络的知识,通过对实时视频流的认知,利用神经网络最终判断行为的种类,在不同情况下模糊联想网络的知识还可以随时学习更新。实验结果表明,算法得到了较好的识别结果,并具有一定的抗噪性。3)提出了基于模糊理论的判断异常行为识别方法,解决了判断前需要先定义异常行为的问题,实现了对异常行为的直接判断。首先为模型化人体结构设计了简化的人体关节模型图;其次根据行人躯干和四肢轮廓角度的变化,设计了用于模糊化的函数式;再次提出了利用躯干和四肢的模糊隶属度通过计算来得到整个人异常度的一种基于模糊理论异常行为判别的算法;最后在系统实现中,提出了利用质心轨迹和模糊判别的联合方法来甄别行人是否异常的方法,模糊判别可以实现在视频监控范围内对行人行为的主动分析,从而能够对行人异常的动作做出识别并进行报警处理。通过实验证明该方法具有较高的识别率。4)提出了可变场所的异常行为识别方法,解决了在监控应用中不同场景具有不同的异常判断规则的问题,使异常判断算法能应用在多种场所。采用双层词包模型判断在不同场景中行为是否为异常,把视频信息放在第一层包中,把场景动作文本词放在第二层包中。视频由一系列时空兴趣点组成的时空词典表示,动作性质由在指定场景下的动作文本词集合来确定。使用潜在语义分析概率模型(pLSA)不但能自动学习时空词的概率分布,找到与之对应的动作类别,也能在监督情况下学习在规定场景下运动文本词概率分布并区分出对应异常或正常行动结果。经过训练学习后,该算法可以识别新视频在相应场景下行为的异常或正常。5)提出一种能自动选择人体最大特性区域的覆盖比算法,解决了目前行人跟踪方法中,跟踪区域需要人工事先设定的问题。人体运动属于非刚性物体的时变和空变问题,在运动中的轮廓也是不断变化的。利用覆盖比算法能自动找到行人在初始时刻所需跟踪的最佳区域,然后选取特性区域内的加权颜色直方图作为跟踪特征,利用Bhattacharyya距离描述颜色模型的相似性,作为粒子权值的有力依据,最后在粒子滤波理论框架下实现自动地对行人进行实时跟踪。