视频监控下的人体行为识别是一个综合的，有着很高理论和应用价值的研究课题，其中涉及到图像处理、机器学习以及人工智能等多个领域。该监控系统不仅大大减少了传统视频监控中人力资源的消耗，而且能够高效、快速地识别出异常情况，受到国内外广大研究者的关注。　　设计的视频监控是在ARM9平台下实现，软硬件结合，采用无线网络进行数据传输，服务器端移植了 MJPG-streamer,利用其相关插件可以完成图像的采集、压缩和显示等工作。客户端是结合了 QT软件和OpenCV视觉库来完成。　　异常行为分析中针对室外场景将行走定义为正常行为，除此之外将仰卧、俯卧、爬行看作异常行为。　　运动目标检测试验了将传统的光流法与帧差法相融合，结果表明该算法能够大大降低光流计算的时间，提高了系统的实时性。同时为了克服光照变化、运动物体阴影等因素对目标检测带来的影响，将 RGB空间转换成 HSV颜色空间，并在传统的基于阴影特征的阴影检测方法上提出一种改进算法。　　目标跟踪上对比了 CamShift算法、LK光流法、以及模板匹配法，分析其各自的优缺点，最终选用了卡尔曼滤波法对目标进行跟踪，其滤波过程即是不断预测-修正递推的过程。同时卡尔曼滤波法自适应模板更新，能够很好的解决跟踪中常出现的姿态变化，目标遮挡等问题。　　特征选取对于行为识别有着非常重要的作用。经过对不同特征的优缺点分析对比，选取了局部时空特征作为人体行为识别的特征，其结合了静态特征与动态特征的优点，鲁棒性强。采用了3D-Harris以及 HOG/HOF检测算子检测兴趣点，将检测到的兴趣点离散化成兴趣点单词，通过聚类算法构建码本，即“词袋”，同时构建单词的统计直方图，生成特征向量，并将其输入到分类器进行分类。　　实验结果表明，本算法可对视频中的4种行为进行分类，得到行为标签，能够检测其中的异常行为，论文中还给出算法的检测精度和识别效率。