随着人们安全意识和对公共安全要求的不断提高,在公共场所安装监控摄像头变得越来越普遍,与此同时,视频数据的数量也呈指数级增长。然而在监控视频记录的数据中,只有少部分记录了异常事件的图像是人们所关注的,其余大部分数据都被视为冗余数据。因此在获得大量监控视频后,如何从中获取有效信息成为一个亟待解决的需求。由于监控摄像头记录的是海量连续的视频帧,因此人工检查时需要耗费大量时间逐帧查看视频,并且人工检查存在效率低和可靠性不稳定的问题,而长时间的工作也会使工作人员注意力涣散,进一步地降低工作效率和检测准确率。为了更好地检查视频,监控视频异常检测技术应运而生,与人工检查相比,监控视频异常检测技术可以使用计算机程序自动查找、标记出视频中异常事件发生的区域,并且可以保证检测的可靠性。在监控视频异常检测中,稀疏编码是一种常用且有效的算法,稀疏组合学习在稀疏编码原理的基础上,在训练时学习多个稀疏组合,在检测时使用固定的稀疏组合重构数据,这种方式在保证检测正确率的基础上解决了使用稀疏编码重构数据时寻找合适的基向量过于耗时的问题,为实时异常检测提供了基础。本文基于稀疏组合学习算法和监控视频中光流幅值的分布特点对监控视频异常事件检测技术进行研究。对于训练视频,首先分析其各区域的光流幅值分布,并给出一种基于光流幅值分布相似度的分区算法;然后在各分区内根据光流幅值分布特点给出一种变尺度3D-HOF特征,并分别在各分区内训练一组稀疏组合集。对于测试视频,在各分区内使用对应的稀疏组合集重构数据,然后根据重构误差判断数据是否异常,并使用正常数据更新稀疏组合。最后本文设计并实现了一个监控视频异常检测系统。本文主要工作如下:1)给出了一种基于光流幅值分布概率相似度的视频分区算法。首先,在训练视频中,将所有帧等分为相同大小的小块,在每个小块内分别统计光流幅值统计直方图;然后将每个小块中光流幅值的统计结果作为K-Medoids算法的输入,并根据聚类结果将视频分为不同的区域。该视频分区算法缓解了监控视频中的透视变形影响检测结果的问题。2)给出了一种基于光流幅值分布特点的变尺度3D-HOF特征。在分析监控视频中光流幅值分布特点的基础上,针对3D-HOF中光流在各幅值区间分布不均匀,无法精确提取运动速度信息的问题,本文给出了变尺度3D-HOF特征:首先将光流幅值区间分为多个变尺度区间,然后根据光流幅值的分布特点,在各变尺度区间内设置不同的光流幅值尺度,使统计直方图中光流幅值的分布更均匀。3)给出了一种支持稀疏组合集在线更新的视频异常检测算法。首先提取正常视频中的变尺度3D-HOF特征和光流方向信息熵,然后使用稀疏组合学习算法训练稀疏组合集,并在检测过程中使用被判断为正常的数据更新稀疏组合。通过变尺度3D-HOF特征和光流方向信息熵提高了算法的检测正确率,通过在线更新增强了算法适应环境变化的能力,提高了算法的鲁棒性。最后通过实验验证了本文算法的有效性。4)在上述工作的基础上,设计并实现了基于稀疏组合学习算法和多区域变尺度3D-HOF的监控视频异常检测系统。首先,介绍了监控视频异常检测系统的系统设计;然后,基于系统设计给出了系统功能实现;最后,对系统的检测结果进行分析和评估。