随着公共安全问题的日益突出和视频数据的爆炸式增长,智能监控逐渐成为计算机视觉的一个研究热点。针对超市监控中的盗窃现象等人体异常行为进行分析和检测,不仅能够减轻监控人员的劳动压力,更能够减少超市的经济损失,同时对社会的稳定和谐也有一定的促进作用。因此,对超市监控中异常行为进行分析和检测的相关研究,具有重要的理论研究和实用价值。对超市监控中的异常行为分析和检测,首先要进行人体运动目标检测。由于超市中的盗窃行为主要是手部对商品的“拿取”与“藏匿”,因此,在检测到的人体运动目标区域内根据手部的肤色特征及大小、位置和几何特征对手部区域再进行检测与分割。然后对手部区域进行跟踪,本文将Mean Shift(均值漂移)和Kalman滤波相结合的跟踪方法首次应用在超市监控的手部区域跟踪中,利用Kalman滤波跟踪算法对Mean Shift算法的迭代初始位置进行预测;并根据手部运动状态的变化对“拿取商品”和“藏匿商品”的“行为时空点”进行判断。经过实验对比分析,Kalman滤波跟踪算法减少了Mean Shift算法在手部运动较快和背景复杂情况下的误差,实现了对手部区域的准确跟踪。对于异常行为的检测,本文提出了基于手部图像特征分析的超市中异常行为的检测方法。在检测到的“拿取商品行为时空点”后,提取手部及周围运动像素区域的颜色直方图和纹理直方图特征,利用巴氏距离与未拿商品的手部区域特征进行相似度度量,并与获得的相似度均值比较来判断“拿取商品”行为;对于“藏匿商品”行为的判别,前提是在“拿取商品”行为成立的基础上,在“藏匿商品行为时空点”后,提取手部及周围运动像素区域的颜色直方图和纹理直方图特征,利用巴氏距离与未拿商品、拿商品时的手部运动像素区域特征进行相似度度量,并与获得的相似度均值比较来检测“藏匿商品”行为。本文最后通过不同监控距离和商品大小的多组实验验证了所提算法的可行性和有效性,分析了不同监控距离和商品大小对本文所提算法的影响,并与其他方法实验结果进行对比,进一步验证了本文算法的有效性。