随着监控系统的普及,利用智能视频监控系统替代传统的人为监督已成为一种趋势,尤其对视频中的人群异常事件检测研究更是成为了智能视频监控的一个研究热点。人群异常事件检测主要针对的场景是火车站、机场、校园等人流量比较大的场所,主要作用是自动识别出场景中出现的异常事件并及时响应报警,最大限度降低异常事件给人群带来的伤害,在保障人身安全方面起着重要作用。但现实场景中人群密度较高,且异常的种类多种多样,如何利用计算机视觉技术分析理解人群场景逐渐成为了近年来的研究趋势。本文提出了一种基于高斯混合模型的人群异常检测方法,论文的主要工作和创新点包括:本文方法在预处理阶段将视频的运动区域检测出来,即感兴趣区域(ROI,Region of interest),然后利用形态学方法填充ROI中的孔洞,使得ROI既排除了背景又完整的包含了运动目标。然后采用金字塔光流法和SIFT(Scale-invariant feature transform)算法提取视频的运动信息,将人群看作一个整体来分析,省去了行人检测、多目标跟踪等复杂的过程,对于光照变化、人群遮挡的场景依然有很好的效果。本文方法采用了对图像分块的方法进行异常检测,由于监控视频下不同区域行人运动特征不同,通过正常场景的数据训练出不同分块的高斯混合模型(GMM),替代了人工的经验判断,对每个子块用其对应的高斯混合模型来检测异常,提高了人群异常检测准确率,同时这种方法也能很好的定位图像中异常的具体位置。本文方法在UMN和UCSD两个异常事件数据库上进行仿真实验,采用ROC曲线、AUC值作为评价指标与之前的方法进行比较。实验结果表明本文的方法能有效地检测出两个数据库中出现的异常事件,且很好的定位异常发生的位置,相同评价指标的情况下在UMN数据库和UCSD数据库的表现要优于之前的经典算法。