近年来,随着社会发展,很多公共场所如运动场馆、演出场馆、节日庆典现场以及大型商业区等,偶尔会出现大量人群聚集的现象,极易发生拥挤踩踏事故。群体性公共安全事件频发对以视频监控为代表的人群行为分析研究提出了更高的要求。在人群视频监控领域应用人群异常状态检测预警技术能够及时发现场景中的异常现象,为后续的救援以及疏导工作提供支持,减少人群异常事件带来的损失。人群异常行为检测的过程可以概括为,采用视频中正常行人样本训练一个检测模型,将与正常样本存在较大差异的待测试样本判定为异常。人群异常状态预警方法往往先演进出场景未来的状态,在演进得到的状态上发现人群的异常,从而实现对人群事故的预警。本文主要研究内容包括:(1)研究人群场景中表达能力较强的高语义特征,提出一种基于慢特征分析(Slow Feature Analysis)的人群异常状态检测方法。通常人眼接收到的基础感知信号会在短时间内发生快速变化,而收到基础信号刺激后,人脑产生的高级反应则趋向于在更长的时间内发生缓慢的变化。慢特征分析方法模拟了人类视觉皮层反应区域的这一功能,通过一个映射函数,将快速变化的低语义视觉特征转换为高语义的人群行为特征。高语义特征更能表现场景中的宏观现象,使异常行为更容易被区分。把场景划分成大小相同的时空小块,本研究建立了一个图模型,图的每个顶点用一个时空小块的高语义特征表示,在顶点间边权重的表示中加入时空关系项,使人群运动特征、时间、空间维度的信息统一起来。实验证明该方法获得了较好的检测效果。(2)研究分析离线学习方法所面对的训练样本种类单一以及训练样本缺乏的问题,提出一种基于双稀疏表示的在线人群异常状态检测方法。双稀疏表示检测方法包含两个稀疏表示过程,每个稀疏表示过程都拥有一个字典,分别包含了正常和异常两类样本。综合两个稀疏表示过程的结果,给出该测试样本的最终标签。双稀疏表示方法不但能够描述正常样本,同时还能描述异常样本,将样本的类间信息引入训练中,使检测方法拥有了类间区分能力。此外,该检测方法还包含一个在线学习过程——动态字典更新,用于实时将测试样本加入所对应的字典,提高双稀疏表示字典的描述能力。实验结果表明,双稀疏表示方法相对以往的人群异常检测方法具有更高的异常事件检测率和更低的平均错误率。(3)研究分析在线学习方法中错误累积问题的解决方法,提出一种基于带约束随机游走图模型和自适应样本选择策略的人群异常状态检测学习方法。带约束随机游走(Controlled Random Walk,CRW)图模型,能控制加标记过程的随机游走路径,避开错误集中区域,同时其允许对已经获得标记的样本重新标记,从而具备了为错误样本纠错的能力。自适应样本选择策略基于噪声学习理论获得,在最小化期望分类错误率的准则下自动选择标记置信度最高的一批测试样本加入到训练集中,使分类错误率降低。将CRW图模型和自适应策略嵌入到自学习的框架中,可以有效降低在线学习过程中由错误标记样本引起的错误累积,并将更多的样本加入训练,强化检测器对人群样本区分能力,提高检测效果。实验表明,将该方法应用到典型的人群异常检测模型的训练中,可以克服错误样本的引入造成的错误累积,有效提高人群异常检测模型的检测效果。(4)研究人群未来状态的演进以及预报方法,提出一种基于目的驱使格子Boltzmann模型高密度人群异常状态检测预警方法。研究表明高密度人群与流体有很多相似性,但高密度群体中的行人个体除了可以像流体一样发生碰撞和移动外,还有着向人群主要运动方向靠近并保持一致的趋势。本文将这种趋势概括为行人的目的驱使,并在格子Boltzmann模型的流动过程中加入了行人的这种目的驱使。目的驱使格子Boltzmann模型可以从当前时刻开始演进出人群运动的未来状态。在此基础上,采用行为熵(Behavior Entropy)模型检测演进出的速度场上的异常,从而实现对人群异常状态的预警。实验表明,目的驱使格子Boltzmann模型具有较强的人群异常状态预警能力。本课题在人群运动状态分析方面的研究工作,提出了基于慢特征分析和图的人群异常状态检测方法,将高语义信息融入异常检测的研究中;提出了基于双稀疏表示的在线人群异常状态检测方法,将场景中正常以及异常的行为样本加入到稀疏字典中,提高了检测方法对两种人群行为类别的区分能力,同时提出一种在线学习方法,优化检测方法性能;通过基于带约束随机游走图模型以及自适应样本选择策略的人群异常状态检测学习方法,避免训练中的错误累积现象;在分析高密度人群以及流体的异同的基础上,提出目的驱使格子Boltzmann模型,演进出当前视频中人群运动的未来状态,并在此基础上实现了对人群异常状态的预警。