科技的进步推动着视频监控技术的不断革新,人们越来越关注如何实现视频监控的智能化。异常行为检测是实现视频监控智能化必须解决的难题,其主要任务是对人口流动性大、人口密度高的监控场景中的人群行为特征进行智能识别与分析,一旦发现异常行为就立刻自动发出报警信号,从而提高相关部门的应急响应速度,及时处理异常问题。因此,对视频监控场景中的行为特征进行智能分析与检测很有必要,并且在公共安全保障方面具有巨大的实用价值,值得进行深入研究。异常行为检测的研究主要在于目标行为的特征表示与检测模型的构建。本文关于异常行为检测模型的研究,主要开展了以下工作:1、采用图像块的平均光流幅值区分运动目标块和背景块,若平均光流幅值大于阈值,则为目标块并提取特征。该方法有助于减少全局阈值提取运动目标时近处树木轻微摇动判为运动目标的误判,以此减少运动目标距摄像头远近对提取运动目标的影响。2、利用协稀疏表示模型进行异常行为检测。正常行为特征具有协稀疏性,异常行为特征具有欠协稀疏性,以该先验为约束项,提出了基于协稀疏约束的特征重构模型。训练时,先聚类样本特征,再训练各类子特征样本集,得到分析字典集。检测时,对目标块提取组特征,根据最近邻原则为组内每个特征选择最佳字典。实验结果表明,利用协稀疏表示模型进行异常行为检测取得了较好的检测效果。3、研究了dirty模型,为了充分利用运动目标的邻域信息,对运动目标提取组特征用于检测判断,考虑到特征间的组结构特性,因此对特征进行分组。正常特征点分布在空间上往往比较集中,表现出某种相似性,但也存在差异,考虑到正常样本特征点的多样性,把正常样本聚类成不同的类,将dirty模型应用到异常行为检测模型中,对各类正常样本间的关系建模,用l_1,∞范数诱导出相似性,用l_1,1范数诱导出差异性,并采用坐标下降法求解模型。在字典的选取方面,从训练特征聚类后的每类特征中选择一些具有代表性的特征拼接成字典。实验结果表明,dirty模型在异常行为检测方面取得了较好的检测效果,并具有较低的检测时间。本文在ucsd Ped1数据集、umn数据集上的局部异常与全局异常检测实验表明,本文提出的两种检测模型在异常行为检测上取得了较好的效果。