袁丽雁

（南京邮电大学 自动化学院 江苏南京）

0 引言

当今社会，视频摄像网络无处不在。摄像视频能提供良好的时空分辨率、长捕捉范围、宽视场、低延迟。因此，大规模的摄像网络可以提供普遍、宽领域的检测。目前，面对海量的视频监控数据，智能地处理视频序列是非常必要的。例如在视频监控、安全防护领域，银行、商店、停车场等处广泛应用的摄像机，通常只是在异常情况发生后，通过视频回放查找可疑人员，无法实时报警。若能对视频中人体行为自动进行识别，则可以在事件发生时就给出提示，避免损失产生。

如图1所示[1]，传统的异常检测研究的算法，需要先进行目标提取、目标跟踪等，然后在检测阶段，通过行为建模和异常检测，那些不符合已建模型的事件即被认为是异常的。该类方法的不足之处是当背景环境条件很复杂时，目标提取和跟踪变得异常困难，且要对每个物体进行跟踪，相应的计算机内存量也大。因此，本文的方法就先进行行为建模和异常检测，在后续处理阶段，需要的话，再进行目标识别和跟踪等。这样一来，不但减少了所需要的计算机内存量，对目标的识别和跟踪的准确性也增大了。

图1 异常检测传统方法与改进方法比较

所列，一些方法采用了该种新的思路形式[2-3]。 但是这些方法都将每个像素点作为独立的单位进行处理，忽视了各像素点之间的时空相关性。而这些时空相关性在消除检测误差、提高检测精确度方面有着相当重要的作用。……