随着物质生活的日益丰富,安全问题成了每个民众关心的话题,异常事件检测作为安防系统的重要组成部分吸引着越来越多的科研工作者投入到该项研究中。目前的异常事件检测分为有监督和无监督异常事件检测。有监督异常事件检测需要人工标记正常事件和异常事件,标签库获取困难,并且只能检测训练数据库中已存在或类似的异常事件,对于其他未经训练的异常事件检测效果差,为此出现了无监督异常事件检测。无监督异常事件检测无需人工标记,可以检测多种异常事件,但目前的方法主要针对特定场景进行检测,换一种场景效果会大大减弱,并且计算复杂度过高,难以适应监控视频的实时性要求。本论文就无监督异常事件检测方面展开研究,不依赖于特定视频场景,对视频段提取特征,建立基本事件表征模型,进行实时的异常事件检测与更新,同时给出了视频中异常事件检测系统的设计方法与具体实现。本文的具体研究内容如下:一、针对静态视频固有特点,结合当前主流的运动对象轨迹提取方法,提出基于边缘特征匹配的帧间差运动对象提取算法,该算法能够完整地提取出运动对象,并对运动对象跟踪,加入边缘和方向信息,使得轨迹提取更为准确。二、通过对运动对象进行跟踪,结合运动对象及其轨迹分布,分析运动轨迹规律,提取轨迹特征,将高斯混合模型运用到异常事件检测中,通过概率来表征异常事件出现的可能性,使得事件不再是简单的正常与异常。三、针对群体运动特征难以描述的问题,提出从视频整体性出发,以视频段的群体作为基本单位,对运动的剧烈程度和混乱程度进行描述,将运动强度和运动方向熵引入到异常事件检测中,分析运动强度和运动方向熵的分布曲线,建立异常事件概率表示方法,使得异常事件检测在相对拥挤视频场景中具备良好效果。四、对视频中群体关联关系进行表征,采用运动对象间相识度的概念,从同步性和交流性对相识度进行度量,并根据相识度进行异常事件的预判,使得异常事件不再是发生后进行检测,为异常事件检测提供了一种可能的研究方向。实验证明了本论文提出的特征能够较好地描述事件,建立的事件模型能够适应于多种视频场景,异常事件检测具备一定的性能,能够实时地完成异常事件检测任务。