近些年来,随着人们的生活水平日益提高,安全问题也逐渐受到高度重视。智能视频监控技术在安防领域内扮演着非常重要的角色,其中视频监控下的人群分析也越来越备受关注。科研工作者通过对大量的监控视频数据的分析发现,公共场所下,人群场景里面的大部分的目标行人以小群体方式进行运动。现代人群理论也表明视频监控下的人群集体行为是由于各个小群体潜在的交互结果产生的。因此人群小群体分析逐渐成为了人们的关注的热点之一。本文搜集并查阅了人群分析相关的最新研究理论,并对人群小群体分析过程中涉及到的关键技术展开了深入的研究,主要研究内容包括:(1)在人群小群体分割方面,提出了一种自底而上的分层聚类方法去分割人群中的行人小群体。相对于计算成对行人的轨迹之间的相似性,再把相似的行人轨迹聚类到小群体,本文的聚类方法仅考虑行人轨迹的起点和终点位置。接着在评价标准方面,借鉴了自然语言处理领域的共指消解评价方法来评估聚类结果,最后基于人群分析的多个数据集上的对比实验,显示了本文算法的优越性。(2)在人群小群体主导者检测方面,提出了运用结构化学习的方法对小群体的主导者进行有效的检测。基于行人轨迹的基础上,对成对的行人提取了轨迹时间滞后分析特征和位置关系特征,将此特征作为小群体主从关系图的权重值,然后运用PageRank算法计算出该图中各个节点的重要性得分值,接着,再将此得分值和训练标签作为结构化SVM的输入进行学习训练。实验结果表明该算法对小群体的主导者检测表现出相对较好的检测效果。(3)在人群小群体行为识别方面,为了解决场景中大量目标行人所带来的复杂的人群交互问题,本文提出了一种小群体有向图去检测场景中有交互的小群体。首先,在基于人际关系模型理论的基础上为每个目标个体定义一个人际交互区域,然后根据每个人的人际交互区域的重叠比去组建小群体交互区域,然后针对小群体交互区里面的个体之间进行格兰杰因果关系检测,以此去构建小群体有向图。接着在小群体有向图的基础上提取了三种不同的特征,分别为聚合与分离特征,格兰杰因果关系特征和额外特征。运用SVM模型去训练分类器,并且在BEHAVE数据集上表现出相对较好的识别效果。