随着人工智能(AI)技术的快速发展，智慧安防得到了越来越广泛的应用。在某些监控场所，运用图像处理技术，对场景中出现的行人进行识别与跟踪，并判别他们的行为是否出现异常，对于及时发现并排除危险事件，保障公共场所行人的安全有着重要的意义。
　　本文在研究了运动目标检测、行人特征提取和行人异常行为识别的基础上，设计了一种基于视频监控的行人异常行为识别系统。系统主要由视频获取模块、行人目标检测跟踪模块、异常行为识别模块以及报警模块组成。针对视频监控场景下，实现了行人徘徊、越界、跌倒及打斗四种异常行为的检测与识别。
　　在行人目标检测方面，针对户外环境复杂度高，算法抗干扰性差等问题，提出了一种基于自适应阈值背景更新的ViBe改进算法，在ViBe算法计算出当前帧的前景点分布后，采用OSTU算法求出该帧的最佳分割阈值，并通过此阈值进行前景像素点的二次判别，抑制了前景点中的错误背景点。通过HOG特征识别行人，在训练行人模型时候通过缩小检索窗口对HOG特征进行了降维处理，提高了行人目标的检测效率。
　　在行人目标跟踪方面，提出基于行人的HOG与Edgelet特征的KCF改进算法，将HOG与Edgelet特征融合到KCF算法的训练器中，改善了HOG特征仅能提取行人整理轮廓信息的局限，加入了能较好描述行人局部轮廓特征的Edgelet特征。有效地改善行人遮挡时的跟丢情况，提高了行人跟踪的准确度。
　　在异常行为识别方面，徘徊检测是通过提取目标的运动轨迹，计算主轨迹转角改变次数，再结合逗留时间来判定该行为是否为徘徊行为；越界检测是采用绊线判断检测方法，通过检测行人最小外接矩形框底线与警戒线是否相交判定行人是否发生越界行为；跌倒检测是采用基于人体长宽比特征、质心偏离程度和倒下时间综合判定的跌倒检测算法来综合判断是否发生了跌倒行为；打斗检测是首先运用改进的KCF跟踪算法保证两人的跟踪状态，再通过两个行人主体的位置并结合运动和速度幅值方向直方图熵值判断两个目标行人是否发生打斗行为。
　　论文针对所设计的行人异常行为识别系统进行了实验测试。实验结果表明，系统运行稳定，检测效果好、识别率高，达到了设计要求。