监控设备的普及催生了大量的监控数据,使得对监控视频中的异常进行人工检测变得非常困难。为了减轻人力资源和经济负担,同时提高异常检测的准确率,人们不断寻求对视频当中的异常进行自动检测的方法。人群密集的场景更是事故的多发场景,因此,如何对人群异常场景进行自动检测尤为重要。本文提出了一种基于隐马尔科夫模型(HMM)的方法来进行人群中的异常检测和分类。本文将人群中的异常检测定义为密集人群中出现异常的目标:机动车、自行车、滑板;另外还有人群的群体异常行为:人群突然的逃散。本文的目的就是要将这些异常目标和群体异常检测出来,并将异常目标分类。隐马尔科夫模型(HMM)可以利用变量的时空上下文关系为变量建立模型,本文选用隐马尔科夫模型(HMM)进行监控视频中的人群异常检测也正是基于隐马尔科夫模型(HMM)的这种特点。在异常检测阶段,首先利用光流纹理描述运动物体的刚性特征,利用这一特征获得异常的预检测结果,在此基础上利用隐马尔科夫模型(HMM)建立时间上下文的异常检测模型,然后利用Viterbi算法解码获得最优隐状态序列,这个隐状态序列就是异常检测的结果。在获得异常检测结果的同时获得异常目标的所在位置。在异常分类阶段,将异常目标的Radon特征与SVM分类器结合,得到异常目标预分类的结果,并利用异常目标的时间上下文关系建立基于隐马尔科夫模型(HMM)分类模型,解码获得异常分类的结果。为了验证本文算法的有效性,我们在UCSD PED2和UMN数据库中进行实验。实验分为两个阶段,首先对人群中的异常目标和群体异常行为进行检测,然后将检测出的正确异常目标进行分类。最终实验结果表明,本文算法可以准确的对异常进行检测、定位,并对异常进行有效分类。