提出一种图分析方法用于动态人群场景异常状态检测.使用自适应Mean shift算法对场景速度场进行非参数概率密度估计聚类,聚类结果构成以聚类中心为顶点、各聚类中心之间距离为边权重的无向图.通过分析图顶点的空间分布及边权重矩阵动态系统的预测值与观测值之间的离散程度,对动态场景中的异常事件进行检测和定位.使用多个典型动态场景视频数据库进行对比实验,结果表明图分析方法适应性强、可有效监控动态人群场景中的异常状态.

人群中的异常行为是一大潜在威胁，自动检测监控中的异常行为成为近年的研究热点之一。然而，由于异常的未知性与复杂性，已有的检测方法仍然存在检测率低、定位精度差的问题。为此，提出了对视频监控中的人群异常行为自动检测与定位的方法。结合灰度值与光流场的分布提取运动区域；对运动区域分割得到有效的运动块，从中提取表示外观和动态的两种特征，即局部H梯度方向直方图G和局部H光流方向直方图F特征；使用k-means方法对运动块进行聚类，对每类样本使用一类分类器进行建模。最后，加入运动连续性约束，以抑制干扰噪声。在两个复杂的异常行为数据集上的实验结果表明，本文方法明显优于已有的检测方法，且可以满足正确率高、抗干扰能力强等实际工程需求。

对公共场所中人群监控准确性和实时性低的问题,提出一种基于运动显著图的人群异常行为检测方法。该方法首先利用Lucas-Kanade法计算稀疏特征点的光流场,并对光流场进行时间和空间上的滤波处理,然后计算特征点的运动方向、速度和加速度。为了准确描述人群行为,将人群的速度幅值、运动方向变化量和加速度幅值分别映射为图像的R、G、B三个通道,并以此合成代表人群运动特征的运动显著图。最后,设计和训练面向人群运动显著图的卷积神经网络模型,并利用该模型检测人群中是否存在异常行为。