近年来,随着社会公共安全问题受到越来越多的关注,公共区域监控视频的使用变得普及起来,利用这些监控视频进行公共区域中可疑人员的检测也随之成为了一个重要课题。可疑人员检测是指在监控视频中利用计算机视觉、模式识别等方法判断是否存在可疑人员,并得到存在的可疑人员的位置,其中可疑人员是指与正常行人有明显外观上的差异并且这些差异具有可疑性质的人,例如用帽子口罩遮挡面部或低头躲避摄像头的拍摄。可疑人员检测技术能够帮助监控使用者高效的监督过往行人,更好的应对各类突发情况。本文针对可疑人员检测存在的定位和判别问题,围绕行人位置检测算法和可疑人员判别算法开展了相关研究,主要的研究内容和贡献如下:1.针对行人位置检测问题,考虑到可疑人员的可疑性特征主要集中在头面部且在实际监控场景中往往无法获取完整行人区域,本文提出如下两类算法实现行人位置的检测:(1)基于级联卷积神经网络的人脸检测算法,该网络由两个卷积网络组成,第一个用于快速过滤背景区域,第二个用于人脸的精准判别,配合多尺度滑动窗口最终实现对人脸区域的检测;(2)基于Faster R-CNN(Faster Regions with Convolutional Neural Network)和 YOLO(You Only Look Once)的头肩部检测算法,这类算法使用端到端的检测模型Faster R-CNN或YOLO直接进行头肩部区域的检测。通过对人脸或头肩部的检测间接的确认了行人位置,同时得到了用于后续处理的特征集中区域。实验结果表明,本文提出的人脸检测和头肩部检测算法在准确率和检测速度方面都取得了较好的效果。2.针对可疑人员判别问题,以行人头肩部区域为基础,提出了基于多任务卷积神经网络和单类支持向量机的可疑人员判别算法。首先,本文设计了一个针对头肩部属性的多任务卷积神经网络分类模型,对计算速度进行重点优化后利用该网络进行头肩部图像的特征提取。之后考虑到实际场景中可疑人员样本稀少且无法穷举所有可疑类型,本文使用单类分类算法间接实现对可疑人员的判别,设计了基于复合核函数的单类支持向量机。最终实验表明,本文提出的图像特征与单分类器相结合的可疑人员判别算法具有较好的准确性与实时性。3.利用上述研究成果,结合基于运动矢量的前景提取等预处理步骤,构建了一个可疑人员检测算法验证系统,对本文算法有效性进行了实际场景下的验证。