人群异常行为检测是计算机视觉研究领域关注的重要话题,也是传统视频监控升级为智能监控的关键性技术问题。尽管行人异常检测已被广泛研究,但由于复杂环境下表征行人行为特征的信息提取难,导致人群中主目标提取和行人行为研究的进展较缓慢。为此,本文针对中小人群的主目标提取和行人行为异常检测问题,基于特征提取和卷积神经网络,研究主目标提取算法和中小人群异常行为识别模型与算法。主要工作和取得的成果概述如下:1、针对传统ViBe算法的阈值半径对目标提取效果具有重要影响的问题,设计阈值半径自适应变化的阈值方案,进而提出一种改进型Vi Be算法;针对中小人群中主目标提取难的问题,融合梯度方向直方图和光流方向直方图的特征向量,并结合支持向量机,提出主目标提取算法。比较性的数值实验表明,该算法能有效提取主目标,计算复杂度低,准确率高。2、借助获得的改进型Vi Be算法,以及表征主目标的外接矩形框的高宽比和主目标的质心与速度特征量,设计检测人群运动出现跌倒状态的检测规则,并由此获得行人跌倒检测算法;基于改进型Vi Be算法及表征主目标的位移差和运动方向特征量,设计行人徘徊状态检测规则,并由此获得行人徘徊检测算法。借助公开的数据集,比较性的实验结果表明,如此两种异常行为检测算法能明显提高行人异常行为检测的准确率。3、在深入剖析卷积神经网络(CNN)的基本原理、基本结构和功能设计基础上,结合中小人群异常检测的固有特性及Dropout机制、数据增强策略等,通过设计学习率自适应变化规则以及CNN的结构,获得适合中小人群异常行为检测的改进型卷积神经网络。借助开源数据集,比较性的数值实验结果表明,该改进型卷积神经网络的人群异常行为检测效果具有一定的优势,且过拟合现象不明显。