近年来计算机和互联网技术正在飞速发展,社会各个领域对安全需求的不断增长,这导致了智能监控技术的飞速发展。目前,智能监控技术已经成功地应用在社会的多个方面,例如停车场的门禁、机场和火车站的安检、交通管控、国防安全等等方面。传统的视频分析主要依靠人的肉眼实现,这种监控系统需要消耗大量的人力物力,无法适应现在的海量的视频数据,不能保证监控系统的高效和可靠。因此为了满足社会需求,高效、可靠的智能监控系统应运而生,提高了视频监控系统的智能化。在人群中的异常行为检测方法中,本文首先对视频集合进行预处理,得到可以直接进行处理的视频序列,然后将视频划分为时空小方块。其次,构建稠密光流域以获取稠密轨迹小片段。一旦稠密光流域被建立,稠密兴趣点被找到并且跟踪形成稠密轨迹。然后利用时空小方块将获取的稠密轨迹分割成一个个的轨迹小片段。然后,利用轨迹小片段方向直方图(HOT)来分析视频和提取的轨迹。顾名思义,它是在一个子时空空间即时空小方块内描述运动模式。轨迹小片段方向直方图从角度和幅值来量化轨迹小片段。最后,本文建立轨迹片段的拓扑结构,采用拓扑构建方法来分组相似的时空轨迹小片段来构建码本来减少搜索区域的维度。并通过比较码本中的码本单词的相似性来区分行人行为是否异常,即利用利用概率机制检测异常行为。不同于传统的光流方法,稠密跟踪轨迹方法更加有效地表示视频序列。本文将异常行为检测分成两个部分,即首先对行人视频序列进行显著目标提取,即根据运动流信息以及梯度等信息提取出人群运动区域,从而得到正常活动范围,即异常行为检测区域。然后在此区域内进行行人的异常行为分析,从而判断是否存在异常行为,若存在异常行为则在以高亮的方式标注在图像中。本文在公共数据集Mall数据集、UCSD数据集和Subway数据集等上进行实验,实验结果表明本文提出的异常检测方法可以在存在光照、阴影等干扰的情况下,依然能够对视频中的异常行为进行检测,对比其他经典方法在性能上有一定的提高。