计算机视觉和智能分析技术的进展使得视频智能分析研究不断发展和完善,对视频中人群行为的研究逐渐成为热门研究方向。人群行为分析可应用于多种场景,例如:大型活动人群管理中对人群的流向和混乱程度进行估计,减少拥堵并阻止踩踏事件的发生;智能视频监控可对人群中出现的突发意外情况进行监测。使用计算机视觉技术的监控视频智能系统可以有效提取视频中的关键信息,对这些信息自动进行处理,提高监控系统的工作效率,大大减少监控操作者的工作量。传统的智能监控视频处理方法主要包括背景提取,目标分割,运动估计,目标跟踪,人脸识别,模式匹配和行为理解等方法。对视频中的群体事件分析方法可分为面向个体特征和面向群体特征两类方法。面向个体的特征的方法基于对每个目标的分割和跟踪,用个体的特征来研究人群中的事件。面向群体特征的方法对全局图像进行处理和采样,获取整体的信息,然后对采集到的数据进行处理工作,对异常情况和正常情况进行分类,这种方法关注于人群中行为的一致性,因此对于群体事件的分析效果较好。本文中的主要内容是视频中群体行为的分析,包括下面几方面内容:1)社会力模型的旋转扩展。社会力模型源自人群心理学,可以较精确的对人群的运动状态进行建模,是一种较好的人群建模方法。传统的社会力模型不考虑行人的旋转情况,本文引入对行人产生力矩的旋转社会力,对行人的角速度及力矩使用物理学方法进行建模。2)基于旋转社会力模型的异常事件检测。本文构建了基于旋转社会力的异常检测框架,首先提取人群中的旋转特征,然后使用机器学习的方法训练人群模型,最后用使用训练的模型进行异常事件检测。实验结果表明本方法可以有效检测异常的人群行为,但是难以对视频中个体的异常行为进行检测。3)基于介观网络模型的细胞事件检测。本文使用网络模型对视频中的细胞群体和个体建模,通过估计连续两帧图像中群体的相似性,建立了帧间的群体关系网络模型,对细胞出现、消失、移动、分裂、合并事件进行检测。