随着国内外经济的发展，人口也越来越密集，而人群的聚集可能会产生各种各样的群体异常行为。有些群体异常行为可以直接反映出监控场景下发生的异常事件，如暴乱、斗殴、踩踏等影响恶劣的群体异常行为，给人们的经济财产造成重大的损失。群体异常行为也可能在一定程度上反映出异常事件的存在与发生，如人群的突然奔跑、散开可能是由汽车爆炸、恐怖袭击引起的连锁反应，突然聚集可能是由于突发疾病，交通事故引起的群众围观。另外，诸如突然聚集的群体性行为虽然本身并无危害，但聚集后的群体也可能产生斗殴、动乱等具有严重后果的危害性事件。

针对这些群体异常行为，目前已经安装了视频安防监控系统对多数公共场所进行监控，以对这些场所的人群进行有效管理，报障人们的生命财产安全。然而，目前的视频监控系统仍处于传统模式，即“只记录不判断”，只能通过视频回放来调查及取证，存在着无法实时告警的缺点，且需要工作人员不问断的监视视频场景，工作任务繁重，且易因受到人体感官疲劳的影响出现漏检、误检等情况。群体异常行为的突发性和不确定性也使得工作人员无法实时检测识别，使得监控系统失去了其实时监控的意义。另外，随着监控系统规模的扩大、视频数据的海量增大，从中查找有用的信息越来越困难，难以满足对实时监控的需求。

因此，如何对监控视频序列中的群体行为进行快速准确的分析处理，检测出是否存在群体异常行为，并及时告警，成为视频监控系统中一个越来越重要的研究课题。其内容主要是对城市视频监控、密集区域监控以及广场街道等重点区域监控时快速发现、检测并识别出群体异常行为。

群体异常行为检测与识别关键技术的研究与实现具有非常高的社会价值。其意义在于检测识别正在发生的危害性异常行为使得相关管理部门及时应对处理此类行为，以避免造成更多的损失。或者在破坏性行为发生前及时发现、检测并识别出群体异常行为类型及发展趋势，使得相关部门预防并制止严重后果的发生，从而减轻群体异常行为所造成的危害，保护人民的生命财产安全，维护社会的安定。另外，群体异常行为检测与识别技术的发展有助于提高安全水平，减轻安防人员的劳动强度，提高工作效率等。

群体异常行为检测与识别关键技术的研究与实现也具有很高的科学研究价值。该课题的研究包含了视频序列中群体行为特征的提取、描述、异常行为学习、检测与识别等方面的技术，涉及到模式识别、计算机视觉、人工智能领域和社会心理学等许多核心内容，该领域问题的解决对各学科的发展都有很大的促进作用。

目前基于单目标的行为分析技术已经相对比较成熟。在国外，美国国防高级研究项目署与卡内基梅隆大学、麻省理工学院等高校合作研究的视觉监控的重大项目VSAMt 31，实现针对战场和普通民用场景进行监控的自动视频理解技术。MIT的Pfinder系统可以实时跟踪行人，并识别人的行为，该系统可以适应不同类型的场景，但只能处理单个没有被遮挡的单个人体行为，且要求人是站立的。Haritaolu等人开发的W4实时视觉监控系统，不仅能够准确定位到人和分割出人体的身体部分，而且能够实现多人的跟踪，并可以识别站、坐、躺、卧等简单行为。

在国内，目前已有中国科学院计算技术研究所、中国科学院自动化研究所、浙江大学人工智能研究所对行为分析方面进行研究，并取得了良好的成绩。微软亚洲研究院、中科院、清华大学、西安交通大学等都对基于视觉的人体行为分析进行了大量的研究。微软亚洲研究院主要研究高级人机交互手段，如通过视觉手段对手势语言理解后，可以实现聋人与计算机之间的手语交流。中国科学院自动化研究所通过对人类的步态进行分析识别，进而识别人类的身份。

2. 研究的基本内容与方案

这里我们研究的是基于时间序列的人群异常聚集行为，通过识别群体异常行为特征，分析群体突聚突散、群殴、暴乱等行为的特点，通过时间序列分析建立统计模型，并能够通过建立的模型识别判断人群异常聚集行为。

目前群体异常行为检测识别技术主要包括群体行为特征描述和建模分类两部分内容，其中特征描述是视觉分析中的本质性问题，即找到对行为描述性最强或者最具有代表性的行为特征描述行为。这里针对检测异常行为，我们提出以下几种算法：

提出基于社会力概率分布的群体异常行为检测算法。由于采用传统光流算法描述行为时只包含少量的上下文信息，因此为了提高描述性和检测率，Ramin Mehran等人在光流特征的基础上提出了加入前后多帧的行为信息的社会力特征后，在一定程度上提高了检测效率，但是仍存在社会力时空体中社会力为零的冗余信息影响社会力立方体描述性的问题。针对该问题，提出基于社会力时空体的概率分布描述方法减少原特征中的冗余信息。在用监控粒子的社会力构建立方体后，对每个立方体中的社会力进行统计，生成加权直方图并以此作为每个立方体的社会力概率分布描述该局部区域中的行为状态，提高了异常行为检测率。