随着城市化进程的不断加快和人口流动性的增加,社会公共安全问题受到越来越多的人的重视和关注。视频异常事件检测作为智能视频监控应用的关键研究课题之一,有助于犯罪、事故、恐怖袭击等的侦测,对于维护社会公共安全有着重要的意义。本文主要从特征感知和模型异常检测两个方面进行深入研究,提出了相应的优化算法,其具体内容如下：在群体异常事件检测中,群体特征是群体中所有个体的社会性表现,而群体事件中所有个体既表现出一致的社会性又表现出相异的随机性,因此在群体特征感知过程中需要协调个体社会性与随机性的对立。为此,本文提出一种基于复合先验稀疏编码的群体特征感知算法。在稀疏编码的基础上,建立个体社会性与随机性的统计表征,提出复合型稀疏先验描述,认为个体行为符合社会性和随机性组合的复合先验,从而有效地增强群体特征感知的适应性,使其特征表示更符合当前复杂的人群场景。算法通过光流特征提取,复合先验稀疏编码,实现了高效稳健的特征描述,并结合iHMM (Infinite Hidden Markov Model)统计模型完成群体异常事件的检测。UMN数据集和自己构造的模拟数据集的多个场景实验结果表明,该算法在群体异常事件检测方面具有不错的检测率和广泛的适用性。在基于统计模型的视频异常检测中,模型的复杂度决定对观测数据的描述能力,优化统计模型避免数据过拟合和欠拟合是一个非常关键的问题。视频异常事件空时耦合的复杂性决定了优化统计模型不仅要优化模型的状态维数,而且要优化模型的结构,因此,本文提出一种基于联合空时模型的视频异常检测算法。联合空时模型基于DDP-HMM(Dependent Dirichlet Process-Hidden Markov Model),在LDA(Latent Dirichlet Allocation)主题特征和HMM状态之间建立无向连接,同时优化模型状态数目和模型结构,增加模型描述数据的能力。整个算法主要分为模型学习和异常检测两个阶段,由于联合空时模型是一个环路模型,在学习阶段,采用树重加权思想,将有环图模型转化成iHMM-LDA和LDA-iHMM两个无环生成树结构,分别对该生成树进行参数学习,然后权重参数优化联合空时模型。在检测阶段,根据前向算法和环路置信传播算法,计算比较训练视频集和测试视频集在模型中的对数似然函数,完成异常检测。UCSD和UMN公开数据集的实验,验证了联合空时模型在异常检测事件方面具有良好的检测性能。