人体异常行为识别主要是对视频序列进行自动分析,实现对动态场景中运动目标的检测和跟踪,并在此基础上分析和判断运动目标的行为,当有异常行为发生时给出警示,从而避免重大损失的产生。人体异常行为识别是智能视频监控系统的关键问题,具有重要的实际意义。由于视频图像本身存在固有的复杂性,所以要提出一种真正鲁棒的算法仍然是一个极具挑战的工作。本文从两个方面对人体异常行为识别技术进行研究,其一是以运动目标的整体作为研究对象判断其行为是否属于异常行为,主要对人体入侵检测、接近目标检测、行人计数检测和徘徊行为检测等四种异常行为进行识别,通常针对的是大场景范围内的运动目标。其二是以目标的局部肢体运动作为研究对象,判断其是否在完成某种行为,进而判断该行为是否属于异常行为。我们把行走定义为正常行为,除此之外的跑、侧向跑、原地双脚蹦跳、原地双手挥舞蹦跳、原地挥手及其相似行为视为异常行为。通常对小视野场景的近景视频进行研究。研究内容涉及运动目标检测、运动目标跟踪以及人体行为识别等方面。论文对视频图像的每一个像素点建立混合高斯模型,然后结合空间邻域的相关性信息,最后采用阴影消除、形态学滤波等后处理,可以得到准确的运动目标图像。通过建立帧间关系矩阵将跟踪情况分为新目标出现、目标匹配、目标遮挡、目标分离和目标消失五种状态分别进行处理,并采用卡尔曼滤波器预测目标参数,建立目标在下一帧中的预测信息。当运动目标相互遮挡时,在卡尔曼滤波器预测区域内采用交叉搜索法实现多个运动目标的精确匹配。通过多运动目标视频序列测试,该算法能够获得良好的跟踪结果。论文通过对人体区域几何特征的一维变化曲线的分析,获取了人体运动的周期,然后将人的行为序列分解为一系列的运动周期单元,进而提取某一运动周期单元的R变换特征数据来描述人的运动状态。采用单状态隐马尔可夫模型作为分类器进行人体行为识别,克服了多状态隐马尔可夫模型复杂度高以及在模型初始化时初始状态概率和状态转移概率具有假设不准确的缺点。实验结果表明:基于单状态隐马尔可夫模型的人体行为识别与多状态隐马尔可夫模型相比,不仅提高了识别率,而且降低了识别时间。