行人异常行为识别是计算机视觉研究领域关注的重要话题,也是视频监控升级为智能监控的关键性技术问题。尽管行人异常行为检测已有很多学者进行研究并取得一定的成果,但由于复杂环境下表征行人行为特征的信息提取较为困难,导致行人异常行为研究的进展较为缓慢。为此,本文针对视频监控图像中行人行为异常识别问题,研究行人目标提取的背景建模算法,刻画行人的局部、全局行为特征的特征向量模型,以及研究行人异常行为识别算法。主要工作和取得的研究成果概述如下:1.针对静态环境下前景目标的提取和阴影消除问题,将时间分布特性引入到ViBe背景建模算法中,并结合相邻帧像素强度的统计特征获得改进型背景建模算法;同时,基于HSV色彩空间,通过分析前景目标和阴影区域之间的亮度关系,获得改进型阴影抑制算法。将二者和设计的背景更新策略结合获得改进型ViBe目标检测算法。比较性的数值实验表明,该算法能有效提取前景目标,阴影消除较好,计算复杂度低。2.针对行人行为特征向量模型的设计问题,分析行人运动呈现的姿态、全局与局部运动特征,设计轮廓特征模型以及设计刻画行人轮廓曲线变化、运动速度与局部频率检测的特征模型,进而结合矩特征获得反映行人行为状态的特征向量模型。借助标准模版库建立样本集,并据此提出行人行为异常识别算法。比较性的数值实验表明,该算法在异常行为识别方面具有明显优势。3.总结和分析BP神经网络的结构设计、算法原理和学习率设计存在的问题,设计一种学习率依据网络输出误差自适应变化的自修正规则,获得改进型BP神经网络,并将此应用于行人行为异常识别问题。比较性的实验结果表明,该模型在行人异常识别准确率方面与常规BP神经网络获得的效果没有明显差异,但在异常识别的稳定性方面有明显优势。