视频监控系统技术是安防建设中常用的一种手段，经过几十年的发展，其在设备和性能上都有了很大的提高，但是，现有的大部分视频监控系统都只实现了对监控区域内运动目标的检测、跟踪和分类处理，能够完成进一步的异常行为检测处理的相对较少。这使得视频监控系统在智能性方面的表现不能令人满意，还不能够把人从繁重的人工监控工作中彻底解放出来，更无法发挥主动监控作用。为了解决这一问题，研究者不断把数学、数字图像处理、计算机科学、计算机视觉、模式识别、人工智能、神经学、甚至认知心理学等各类学科知识引入到视频监控系统中来，试图将其带入智能化的时代。

计算机视觉又称图像理解分析，就是借助于计算机强大的数据处理功能，由计算机代替人的大脑来完成对现实世界信息的处理，使得计算机能够在一定程度上像人类一样分析、理解视频图像中的发生的内容，从而能够主动分析、识别监控场景中人和物体的异 常事件，进而发出报警信号告知安防人员，以避免危险行为的发生。

智能视频监控，(IVS，Intelligent Video Surveillance)系统是视频通信与计算机视觉相结合的一个新兴热点研究方向，其通过对摄像机拍摄到的视频图像序列进行分析处理，从背景中检测出运动目标，对其跟踪和分类，并在此基础上自动分析、理解、记录视频图像序列中发生的事件，从而可以在异常事件发生时及时预警，实现无需人工参与的主动监督防控作用。

目标检测、目标跟踪和目标分类属于低层和中层的计算机视觉处理，是视频监控系统中 研究较多的三个问题，也是视频监控系统智能化的前提；目标的行为分析属于中高层的计算 机视觉处理，其要以正确地检测、跟踪和分类视频图像序列中的运动目标为基础。

目前，国外有许多著名高校和研究机构都在致力于行为分析理解方面的研究，马里兰大学的自动控制研究中心(Center for Automation Research, CfAR)[9，i〇，ii]针对视频监控中的背景检测、人体的检测与跟踪、人体的运动建模、3D人体运动的捕获、异常事件的检测和识别、交互行为的识别理解等方面进行了广泛的研究。法国国家 信息与自动化研究所INRIA组织建立了 PERCEPTION、VISTA、QGAR等多个项目组，在基于时空信息的行为分析、图像分析识别、图像理解和视频检索等多个问题上开展了研究。

较之国外，国内在该领域的研究无论是在应用平台上还是 理论技术上都有待进一步的提高。目前，在国内的研究机构中，中国科学院北京自动化研究所下属的模式识别国家重点实验室(National Laboratory of Pattern Recognition, NLPR)的视觉监控研究组在这一研究领域处于领先地位，他们在交通场景的视频监控、人的运动视频监控 和行为模式识别等方面展开了了深入的探索研究，并取得了一定的成果；此外，北京大学的 视觉与听觉信息处理国家重点实验室开始了实现高度智能化的机器感知系统的研究工作，他们在三维视觉信息处理、言语听觉技术、智能机器人等研究方向中取得了不少研究成果。

2. 研究的基本内容与方案

在研究和阐述了视频监控中进行异常行为分析的相关基础理论如图像处理、目标检测、跟踪和分类后，围绕实现智能视频监控中物品遗留或搬移和人员滞留徘徊两种异常行为分析检测的要求，对视频监控系统中行为分析中的运动目标分析和运动目标轨迹分析等关键技术进行研究。整个研究路线围绕运动目标检测、跟踪和分类，运动目标分析和运动轨迹分析，异常检测算法这三个主要部分进行展开。

其中目标检测有三种算法即背景差分法，帧间差分法和光流法，在一般的监控场景中，通常采用背景差分法来既快速又准确地提取目标。目标跟踪常用的几种算法为均值偏移跟踪算法，压缩跟踪算法和基于时空上下文的跟踪算法，本文将研究这三种经典的运动目标跟踪算法，并对这三种算法进行实验对比。目标分类算法主要分为基于静态特征和基于动态特征的算法两种。针对实时视频监控的应用场景，本文先对图像进行灰度转换、图像增强和图像去噪这些图像预处理，并采用背景差分法进行运动目标检测，然后进行形态学处理和连通性分析等图像后处理，之后比较各种目标跟踪算法并选取合适的算法来进行目标跟踪，并采用目标静态特征和动态特征相结合的机器学习目标分类算法将监控场景中的出现的目标分为人(person)、车(vehicle)、人群(crowd)以及人骑车(bicycle)四种类别。

论文再次着重研究进行运动目标分析和运动轨迹分析的方法，在运动目标分析方 面主要研究了外接矩形框的目标描述方法，实体点的运动目标表示方法，运动距离、运动位 置、运动方向等目标的运动特征的含义，以及运动目标区域与监控区域、给定点之间的运动 关系。在运动轨迹分析方面主要研究运动轨迹的表示方法、运动轨迹主方向角的计算等。通过对目标进行相关运动目标分析和运动轨迹的分析得到的其运动状态序列信息，能够为简单的异常行为判定提供判定依据。