在经典的计算机视觉领域,由于传统的色彩视频包含信息复杂,再加上由于光照变化、烟雾等不利因素的影响,使得基于传统彩色视频的异常行为检测的效果不好,帧率很低。而红外热像仪热红外视频由于包含信息单一,并且在夜视、烟雾和光照剧烈变化的复杂环境下仍能有效工作。因此,在本文,我们使用FLIR FC-S系列红外热像仪采集热红外视频,并基于采集的热红外视频来进行异常行为检测。本文的主要研究内容为:1、本文利用基于轮廓的背景减除算法,提取热红外视频中的前景目标。该方法的主要步骤为:使用基于统计的背景减除方法提取出感兴趣的区域,然后建立轮廓显著图并进行细化;使用分水岭变换方法补全轮廓线;最后使用FloodFill方法填充轮廓并得到精确的前景目标。2、本文提出了一个基于单元格的异常行为检测算法。由于异常行为发生概率低、持续时间短而且无周期性,因此,很难对异常行为进行建模。而本文采取的策略为:先对训练集和测试集的视频提取前景,然后将这些前景划分为网格,并对每个单元格提取局部特征,最后基于训练集的特征构建出正常行为模型。然后,将测试集上每个单元格的特征与正常行为模型进行对比,如果相近,就判定为正常行为,否则为异常行为。最后,本文建立了十四段包含不同异常的视频集,并在其上进行测试。实验结果表明:本文提出的方法有效地对发生的异常行为进行了识别和跟踪,而且该算法在检测异常时,能将帧率保持在11fps左右,基本可以满足日常的监测工作。