智能视频监控系统在社会公共安全防护中发挥着重要作用。随着摄像头等监控设备的成本不断降低,以及计算机视觉与机器学习领域不断发展,低成本、高智能的视觉监控系统逐渐地进入民众生活。如今,在社区、广场、学校、道路等公众场合已经安装了大量的摄像头用于公共区域的视频监控与安全防护。目前,视频监控技术正不断地朝着智能化分析视频内容的方向发展,通过快速地目标检测与自动分析视频等技术,自动检测出场景中的目标和识别出视频中的异常行为,并发出异常警报,能够有效地减少对人身与财产安全的威胁。通常,在社区环境下一些主干道、出入口、门禁等区域都安装了固定摄像头,用于监控该范围内的人群流动情况,但受限于固定摄像头的监控距离、视角等因素,无法实现树荫、转弯、拐角等区域的覆盖监控。而一些异常行为如攀爬、跌倒、打斗等行为经常发生在摄像头无法监控到的区域,一旦发生异常行为,通常因为无法得到及时而有效的监控会造成比较严重的财产损失和安全威胁。为了解决固定摄像头下的盲区监控问题,本文提出了借助移动机器人平台搭载摄像头以实现社区环境下快速异常行为检测的系统。该系统在社区环境下进行实时巡逻,并通过搭载的摄像头拍摄场景信息送入到后台,通过智能视频分析算法实现快速的目标检测与行为分析,一旦检测到异常行为就发出警报。围绕基于移动机器人的异常行为检测,我们展开了以下三个方面的工作:(1)基于移动机器人的实时跑动检测系统。在异常事件中,行人通常不构成事件的焦点,反而是快速跑动的目标会伴随着异常事件的发生。因此,检测跑动目标可以预防和预判异常事件。基于移动机器人的跑动检测系统,主要考虑在复杂背景下检测跑动目标的实时性和检测准确率。首先,我们考虑使用均值滤波对图像进行钝化,并通过计算快速的光流得到运动信息,然后使用形态学上的闭合操作过滤背景信息,在将提取到的前景目标外轮廓和对应区域的光流信息构成一个双流的数据通道,输入到卷积神经网络中进行跑动目标的识别。由于在室外环境下,很多因素如光照、背景、非刚体等影响着跑动目标的检测,这使高准确率的目标检测存在一定困难。我们采用了一种人体表征信息和运动信息相结合的双流卷积神经网络来实现复杂场景下的跑动目标检测。为了训练该深度学习模型,三万张跑动图片被手工标注作为正样本以及大量的非跑动图片作为负样本,两者构成了该模型的训练和测试数据库。通过室外测试证明该系统能够实现20fps的实时检测速度和85.6%的跑动检测准确率。(2)基于时空路径搜索的快速动作定位。在视频分析中,动作识别是一个常见、基本的任务,其目的是将视频归类;动作检测,除了要将视频归类,还需要确定动作实施者在视频中的位置,即动作定位。快速而有效地提取完整连贯的动作,并且能够自动确定动作的起始和结束,是体现智能化分析视频的重要表现。我们拟采取tracking by detection来实现动作定位。该方法首先通过使用一个快速有效地检测器来检测动作实施者的人体外轮廓,然后结合基于先验概率的时空连续性搜索和基于后验概率的检测准确率并通过一个评分函数给出每个候选框的评分。最后,将动作提取的问题归结成一个寻找具有最大评分值的路径问题,并结合动态规划的算法找出该最大路径。通过在动作识别数据库UCF-Sports上测试,证明了该方法在动作定位中的有效性并取得了较快的定位速度。(3)基于长短期记忆网络的视频序列分析与行为识别。视频序列分析,是指通过计算机视觉的相关技术来理解视频中的内容,将图像或视频流等视觉信息转换成高层的语义理解,典型的应用如行为检测等给视频贴上一个行为类的标签。它在人机交互系统、自动驾驶系统、智能家居以及智能视频监控等新型领域具有非常广泛的应用前景。长短期记忆网络,是一种特殊的时间递归神经网络,可以通过门网络结构来选择记忆和遗忘时序信息,适合于处理和预测时间序列中具有间隔和延迟的行为与事件。异常行为的发生也是一个连续的动作过程,我们利用长短期记忆网络实现移动机器人下的几种异常行为如跌倒、爬墙、打斗等行为的检测。