随着近些年国家旅游业的蓬勃发展,游客对出行过程中的自身利益和安全有了更多的关注。对景区相关信息进行收集、挖掘和分析,利用景区视频对场景人数和景区状态进行监测,具有十分重要的理论意义与应用价值。本文主要研究基于视频的旅游突发事件监测和识别,同时开发并实现相关验证系统。论文完成的主要工作如下:(1)提出了基于SVR回归的人群人数估算方法,采用混合高斯模型(GMM)算法对视频背景建模,提取人群前景,将原图与前景进行匹配运算得到人群前景掩膜。随后采用SURF算法在前景上提取特征点。提取出前景特征点后,利用基于密度的聚类算法对特征点进行聚类,基于PETS2010数据集结合摄像头高度、角度、特征点密度以及聚类信息建立人群局部人数训练集,并利用SVR回归算法对局部区域人群人数进行检测。(2)提出了基于人群密度信息分布的人群异常监测方法。通过人群聚类以及SVR回归算法取得人群的局部密度信息,减轻了传统社会力模型的背景噪音,同时将人群粒子质量参数、聚集参数与局部密度关联起来,计算人群压力。由于在异常监测中异常特征常和场景的时空特征关联,采用多帧叠加的方法,将异常特征与压力的时空特征进行关联。(3)提出了结合人群VIF特征与社会力模型的人群异常监测方法。考虑到在广场草坪等室外区域人群分布较为稀疏,人群异常的阈值也较小,而在博物馆、故宫等景点人群密度较高,其社会力阈值较大,统一景点在不同时间段的人流量情况也不同,在节假日中景区人流较多,社会力阈值也随之变大。在单纯的基于社会力模型的人群异常监测算法中,由于没有考虑到场景的变化信息,导致异常情况判断误差较大,因此引入VIF特征,更好地表征景区场景的时空信息和定位异常点。(4)提出了基于人群轨迹信息以及卷积神经网络的人群异常识别方法。采用RLOF算法提取人群光流信息,对人群光流信息进行聚类,获取人群的整体轨迹信息。不同的异常情况对应了不同的轨迹特征,因此预定义了异常聚集、异常散开、直线跑动、环形跑动、交叉跑动、入口处聚集这六种异常情况。同时,在对运动模式轨迹进行研究后发现,人群轨迹的弯曲程度可以作为运动模式判定的基本依据。根据运动轨迹的曲率对人群轨迹进行分类,并结合预定义人群轨迹模板对人群异常行为进行识别。在对人群整体异常行为进行识别后,采用卷积神经网络对视频场景进行语义识别。