基于视频监控的轨迹行为分析,作为计算机视觉、模式识别和智能交通等学科的交叉研究领域,是当前人工智能和视频监控技术研究的热点。本文基于视频监控获得的无结构人群运动轨迹数据集以及室外复杂交通路口行人车辆轨迹集,提取其特征函数进行模式学习和行为分析,并建立基于视频监控目标运动轨迹数据进行异常分析的完整处理框架。本文的主要研究工作包括：1.目标轨迹的隐马尔科夫模型(Hidden Markov Model, HMM)学习。由于空间特征相近的轨迹有相似的特征性质,因此具有可比性。本文首先假定轨迹组轨迹的状态转移符合隐马尔科夫模型,通过计算相邻状态的状态转移矩阵和观察矩阵最终将轨迹组的空间特性表示为一个抽象的数学模型。比较不同模型间的相似度,小于既定阈值的轨迹组即可合并为新组,同时需要更新新组的模型参数。2.基于轨迹起始点密度分布的轨迹融合。对于室外复杂场景,由于存在树阴遮蔽、摄像头抖动、光线强弱变化等因素,许多轨迹被误判为两条断开的子轨迹。通过计算轨迹始终点相对于场景中相关轨迹上轨迹点的密度分布,可以判断该点是否是异常断开。对于异常断开点,通过比对其相关速度方向、空间距离和时间间隔等特征对其进行轨迹融合,提高模式学习的准确率。3.基于可能性模糊C均值聚类算法(PFCM)的模式学习。由于处理室外复杂场景要求较快的模式学习速度,因此本文将传统的模糊C均值算法加以改进,引入了PFCM算法。该算法不仅考虑目标值相对于所属类的隶属度参数,同时加入了不同分组中心的可能性划分矩阵,从而克服了原来算法对噪声及聚类中心敏感的问题。4.基于轨迹模式的异常检测(Anomaly Detection)和行为预测(Behavior Prediction)。通过比较轨迹的位置特征和速度、曲率等时间属性提取异常轨迹,将其从模式中剔除并作为异常检测学习的输入。异常轨迹可以帮助我们在视频监控中快速定位异常行为进行跟踪和监控,预防社区的危险发生。这将为社区建设以及超负荷运作等行为提供帮助,实现人工智能等功能。