视频中的异常行为分析在交通监控、社会安防等领域有着广泛的应用，近年来已经成为计算机视觉研究的热点之一。本文针对视频中运动目标的轨迹信息提取和异常行为分析开展研究。运动物体的轨迹能够提供目标运动行为模式的宏观信息，而且与视频数据相比，轨迹信息易于储存、传输和分析，尤其适于交通场景下的长时间车辆监控。因此，本文以运动目标的轨迹作为行为的主要表征，研究异常行为分析的几个关键技术问题。一方面，研究用于视频监控中提取单个目标轨迹的连续跟踪算法，以及提取复杂场景下多个目标轨迹的在线关联跟踪算法，从而在长期监控中获取关键目标物体的运动信息；另一方面，研究基于目标轨迹的异常行为检测，从基于距离的判别性分析和基于模型的生成式分析两个思路来分别设计算法，以检测出不符合场景主流行为模式的异常轨迹。本文的主要研究工作可概括为以下四个方面：
　　(1)提出基于显著性先验模型的单目标轨迹提取算法。在目标存在形变或者非线性运动的情况下，对目标的跟踪容易发生漂移。为增强跟踪过程的稳健性，本文同时利用视觉显著分析和底层表观特征，以增强目标周围背景区域和前景目标的区分度，建立显著性先验模型，并结合累积空间上下文模型估计目标位置，以提升跟踪质量。另外，本文在建模和递推过程中均采用了快速离散频域变换以提高计算效率。实验验证表明，视觉显著性能够在空间上下文区域中辅助确定目标位置，进而提升跟踪稳健性，相比之前的算法，本方法能够提高目标轨迹提取的准确度，并取得了较好的速度—准确度平衡。
　　(2)提出基于运动约束和表观优化的多目标轨迹提取算法。对多个目标的在线跟踪需要将不同视频帧中的目标进行关联，然而数据关联方法面临误检测、多目标互相干扰等挑战性因素。本文利用目标区域的光流向量获取运动关联约束，并基于视觉显著性对目标表观进行优化，最后结合运动约束、表观相似性约束，以及空间和尺度约束，提出一个新的代价函数，用于构建关联矩阵，实现两帧目标之间的关联，进而完成基于检测的在线多目标跟踪。在公开数据集上的实验验证表明，本文的算法能够有效地消除误检测带来的影响，与同时期算法相比，取得了优秀的性能，尤其能显著降低跟踪结果的虚警率。
　　(3)提出基于自编码轨迹距离测度的异常行为检测方法。为将具有多样定义的异常行为与正常行为相区分，本文基于视频监控中的目标运动轨迹，使用循环神经网络捕捉轨迹的非线性动态时间特性，对于任意两条轨迹，使用自编码器分别学习轨迹表示，并计算交叉重建误差，得到二者之间的距离测度。而后，我们基于该距离，使用最近邻方法评估待测轨迹样本的异常程度。综合实验表明，本文所提出的轨迹距离测度能够有效区分多种异常轨迹运动模式，而且能够在多种复杂场景下检测出异常轨迹。
　　(4)提出基于序列到序列模型的异常轨迹检测方法。针对复杂场景下轨迹的多样性，本文使用循环神经网络构建序列到序列的自编码轨迹描述模型，并基于轨迹的位置、速度、方向等多个维度，提出一个新的损失函数对模型进行优化，使得模型从轨迹数据中学习到场景中运动模式的主流规律。而后，本文使用所学习的模型表示待测轨迹样本，基于模型对样本的重构误差来判断轨迹的异常程度。在真实轨迹数据集上的实验表明，本文提出的方法能够处理混杂有少量异常样本的无标签轨迹数据，且与现有方法相比，在异常检测的准确率方面有明显的性能提升。
　　综上所述，本文针对基于运动目标轨迹的异常行为分析的若干关键技术，在目标轨迹提取和异常行为分析两大方面进行了研究并提出了相应方法，从而形成了在视频监控中对目标异常行为进行检测的完整解决方案。本文方案尤其适用于在交通监控场景下对车辆目标的异常行为进行分析。