随着智能生活的飞速发展,公共场所的监控视频设备不断得到加强。尽管如此,各种各样的紧急情况还是如此之多,以至于安保人员无法及时发现异常并采取有效措施。如果能够有效地监控人群并自动在监控视频中检测到异常事件,那么相关部门可以及时做出响应并进行干预,以最大程度地减少事故的发生,减轻个人财产损失。因此,对于视频中的行为进行异常分析已经成为科研人员关注的重点问题。本文通过对传统的自动编码器进行改进以检测异常行为。本文对研究学者已发表的各类异常行为检测算法进行了分析,发现各类研究算法的优点和缺陷,最终提出了基于改进自动编码器的检测方法,利用改进的自动编码器来检测异常行为,提高了异常检测的召回率。主要的研究内容有:1.提出了一种基于3D卷积和3D反卷积的自动编码器模型。传统卷积层采用2D卷积操作提取图像信息,但对于视频来说忽略了重要的时域特征信息。本文提出将3D卷积和3D反卷积应用于自动编码器中,并将LSTM结构加入到网络中间,在编码部分采用3D卷积提取空间和时间信息,在解码部分采用3D反卷积还原原始图像尺寸,重建图像信息。2.skip connection结构是图像分割常用结构之一。本文的算法借鉴该结构在自动编码器的编码部分和解码部分建立联系,将编码部分卷积后的特征图与解码部分反卷积后的特征图相连,保存低维特征信息,使得重建图像更加完整。3.目标检测是视频内容分析中关键一步。本文所采用的方法是提取HOG特征结合SVM分类器进行目标检测。为提高运算速度,同时采用了KCF跟踪算法,以固定间隔帧检测目标,中间帧用KCF予以辅助。实验结果表明可以有效检测目标。4.异常判定机制。根据以上方法得出重建误差之后,利用重建误差计算异常行为得分,从而得到规律性得分,根据阈值来判断是否存在异常状态。在发生异常行为时,提醒安保人员采取必要的措施。本文运用此算法在数据集上进行了的大量实验,最终的实验结果表明该方法在异常行为检测方面具有有效性。结合时域和空域这两方面的特征来对视频目标行为进行检测,与单一特征输入相比准确率和可靠性更高。并在异常行为发生时,发出警告及时提醒安保人员,以此尽可能的保卫人身安全,减少财产损失。