监控视频异常事件检测是指利用计算机技术来自动分析视频序列中包含的异常事件。当出现可疑(异常)情况时,系统可以及时地检测和发出警报。该技术可以帮助监控人员有效应对危险事件,并将漏检误检率降至最低。监控视频异常事件检测在安全防范、灾害预测和社会保障等方面都有着良好的应用。近年来,公安部门在大中小城市建立了“天网”系统,城市中的大大小小的街道社区都布有监控摄像头。如果能有效地对监控视频中的内容进行分析理解,对视频中的异常事件进行及时处理,对维护社会治安有着十分重要的意义。但是,摄像头每天所拍摄的视频数据巨大,靠人工监控的方式耗时耗力,效果不佳。基于上述情况,本文借助计算机视觉技术,对监控视频理解中的异常事件检测问题进行了研究,本文的主要内容如下:1.针对视频异常事件检测问题,提出了一种改进的基于深度自编码器的框架,该框架包括包括两个主要部分,一个用于事件空间特征建模,另一个用于事件时间特征建模。具体地讲,使用卷积时空自编码器模型通过无监督的方式处理正常事件的视频帧,从而获得正常事件的外观特征和运动特征,这些特征组合在一起构成事件视频表示。然后,测试集样本输入到训练好的模型中,深度网络面对正常事件时输出的重构误差小,面对异常事件时输出的重构误差大。设立一个合适的阈值后,根据每帧的重构误差网络可以判断该帧是否被分类为异常。最后,在UCSD数据集上进行测试评估,实验表明本文提出的算法优于当前最好的方法,检测率提高了1%～3%。2.针对生成的预测帧模糊问题,研究了一种利用生成对抗网络(GAN)来检测异常事件的方法。该方法通过比较预测帧与真实帧之间的差异来判别异常事件。具体来说,给定一个视频,我们根据其历史观察来预测未来的框架。我们首先训练一个预测器,预测器可以很好地预测正常训练数据的未来框架。在测试阶段,如果一个框架与其预测一致,它可能对应于一个正常事件。否则,它可能对应于一个异常事件。为了更准确地预测正常事件的未来帧,除了对表观性能(比如梯度)和运动特征(比如光流)进行约束外,我们还通过添加生成对抗损失使得生成的预测帧更逼真。为了评估该方法的有效性和优越性,我们在代表性异常事件检测数据集Avenue dataset和Shanghai Tech dataset上进行了实验,并与其它异常事件检测算法进行了对比,评估结果显示该算法达到预期结果。