智能监控技术与传统的监控技术相比较,主要区别在于可以利用计算机视觉、数字图像处理、模式识别等相关领域知识赋予计算机自主决策能力,及时检测并识别监控领域内的各种异常状况。研究发现,突发状况更容易发生在群体密集的场所。由于高密度群体本身固有的复杂性,寻找到有效的方法对其行为进行分析和理解也成为学者们关注的焦点之一。论文根据目前有关高密度群体行为分析方面的最新研究成果,对其涉及到的一些问题,如高密度群体流的表示方法、高密度群体行为的分割、高密度群体行为识别(主要包括群体运动特征提取以及特定行为流识别)几个方面进行了比较深入的研究,主要内容包括：1、在高密度群体场景的表示方法方面,详细介绍了适合高密度群体的表示方法即基于脉线的群体表示方法。论文论述现有的几种常见运动描述方法(主要是光流法和迹线描述法),引入基于拉格朗日方法的脉线的概念,并且分析基于脉线群体行为表示方法在时域和空域上表达群体之间的运动亲和力的优越性。2、在高密度群体分割方面,本文提出了一种基于脉线以及连续流的相似性计算上的分割算法实现群体分割。脉线的相似性主要表现为两方面：一是利用位移向量的单位投影即运动矢量的角度相似性测度来区分不同的运动；再是距离测度的变化,即脉线上对应的粒子相对运动趋势的改变也可以反映运动的一致性。流场的相似性则定义为某时刻t连续流(Streak Flow)在固定点p处速度的角度。利用邻域内脉线以及连续流的相似性测度的加权值,结合分水岭分割算法将高密度群体视频序列的每一帧按照不同的行为分割出不同的区域。除此之外,我们还引入了李雅普诺夫系数对过度分割现象进行处理。3、针对于高密度群体难以进行目标跟踪和检测的问题,论文设计了一种整体的群体特征提取和描述策略,即基于动态系统分析的微行为语义时空立方体特征来表达场景特征。论文中首先根据流场动态系统的稳定性分析,建立了五种微行为流模型,分别为瓶颈微行为流、源头微行为流、堵塞微行为流、平行微行为流以及环形微行为流,并且利用微行为流构建微行为语义；其次,论文充分考虑群体行为的时空特性,构建微行为语义的时空立方体特征,获得表达高密度群体行为信息的特征序列。作为一种中间语义,微行为特征充分利用底层局部运动特征信息,巧妙的结合了时空立方体高层次信息特征,能够更精确的描述高级行为,解决语义鸿沟问题。4.针对传统的稀疏表示方法在识别高密度群体特征局部流形结构不稳定的问题,论文利用局部线性嵌入(Locally linear embedding, LLE)稀疏表示的方法来实现高密度群体行为流的识别。基于LLE的稀疏表示有效的保留测试样本的局部流形结构的同时提高学习模型对样本的识别能力,对高密度群体行为进行识别。实验结果表明局部线性嵌入稀疏表示算法能够有效的提高样本的判别能力并在高密度群体行为识别中取得较好的实验效果。实验采用了UMN和UCSD1公共视频数据库对我们提出的高密度群体分割算法及其行为识别技术进行验证,证明我们算法能够对复杂场景进行有效的群体分割以及行为识别。