随着经济和社会的发展,城市人口密度越来越大,公共场所经常会迎来人流高峰。在人员高密集公共场所容易发生一些大规模的群体事件,如得不到即时的处理,往往会酿成严重后果。如昆明火车站砍人事件,麦加朝圣踩踏事故和2015年元旦发生的上海外滩踩踏事故等。公共场所的异常检测和即时预警显得尤其重要且意义重大。但由于公共场合场景复杂多变,人群行为多种多样等因素,群体异常识别充满挑战。如何在公共场所快速准确的识别出异常行为,并及时预警已成为时下最为热门的问题之一。现有的一些群体异常识别算法大多是基于理想场景下进行,且忽略在线学习与更新问题,导致这些算法难以应用到现实复杂的环境中。本文对群体异常识别算法进行了一些有益的研究和探索,并对群体异常识别领域的在线学习问题,进行了深入地探索,主要研究和成果如下：1：研究了基于稀疏表示的群体异常识别算法,引入过完备字典选择算法,通过计算字典原子的相似度,删除原子中相关度极大的原子,使得过完备字典在表达能力几乎不变的情况下,最大程度的精简了字典规模,减少了计算复杂度。通过引入原子权值,改进原来的L1,2正则化范数约束,每个原子的权值由该原子被用来表示正常样本的频率决定。这使得原子自身具备了优化能力,即被经常使用的原子,在惩罚函数中的代价较低,也就意味着其在表示正常样本时的置信度高。UMN库以及自摄视频集的实验结果表明,相对于固定字典,本文改进的基于字典学习的群体异常识别算法能获得更高稀疏度的稀疏系数,识别速度快,识别率更高,优势明显。2：针对稀疏表示群体异常算法识别速度低,无法满足实时识别的问题,提出了基于混合高斯模型在线学习的群体异常识别算法,算法从异常行为的概念出发：一个异常行为通常是一个偶然的,突变的；而正常行为是稳态的,持续的。这恰与混合高斯模型前景提取模型的定义类似。混合高斯模型对经常发生的定义为背景,偶然出现的,变化迅速的定义为前景。因此本文将一个群体异常识别模型等价成一个混合高斯模型,通过改变混合高斯模型的参数,检测满足一定条件下激烈运动的前景数量和分布情况,结合时间轴信息,建立异常行为时空模型,并通过时空模型来理解区域人群运动的变化。从而本文提出一种基于混合高斯模型的群体异常识别算法,该算法通过自适应阈值的高斯背景提取模型提取视频帧中满足一定速度的敏感点,然后通过引入时间轴信息,建立行为的时空模型,并通过对时空模型中敏感运动点分布随时间的变化分析,识别出群体异常类别。本文在算法中使用自适应判断阈值和动态确定起始中心等,使得算法中的参数均通过学习获得,从而实现了算法的在线学习与更新。在UMN库以及自摄视频集的实验结果表明,该方法不仅能极快地识别出群体异常,快速分辩出异常类别(四散与群殴等),且能自适应更新内部阈值,在光照等噪音影响下保持较高的准确率。最后,对全文工作进行全面总结,对两个群体异常识别在线学习算法进行了比较和分析,基于混合高斯模型的方法,对全局异常事件识别率高,能区分四散和群殴行为,在线更新速度快,能适应场景快速变化,但对局部异常难以区分。基于稀疏表示的方法,不仅能较好地识别全局异常和局部异常,而且在线更新稳定性高,但速度较慢,难以适应场景快速变化。