近年来,在公共场合中经常发生大规模不良事件,这给社会造成了很大的损失。视频监控可以有效的维护社会公共安全,它已成为我国安防体系中不可或缺的一部分。现有的基于人工方式的视频监控系统存在着工作效率低和大量资源被浪费的缺陷,并且它不能做到在无人值守的情况下察觉到潜在的危险并进行跟踪报告,无法发挥实时主动的监控作用。这些不足促使着监控技术不断向智能化方向发展,智能视频监控系统可以实现及时发现异常情况并报警等功能,可以大幅度降低安全隐患和减少了人民群众的生命财产损失,而异常事件的自动分析和检测是构建智能视频监控系统的重要组成部分。目前的异常事件检测算法大多采用单个特征量进行场景描述,具有场景描述不准确等缺点,使得异常事件检测的正确率较低,并且常用的通过速度值的大小变化来检测异常事件的方法存在一定的局限性。因此,本文提出一种基于混合特征的智能监控视频异常检测算法,实现了对异常事件的自动检测功能,且具有较高的正确性和实用性,其中混合特征是通过联合特征点平均速度、平均加速度、总能量以及图像的纹理特征得到的。具体从以下几个模块对异常事件检测工作进行深入研究:(1)运动目标检测。首先为了满足LK光流法的约束条件,采用Gaussian金字塔缩小序列图像的尺寸来降低运动对象的速度,接着采用结合Gaussian分布的LK光流法即金字塔LK光流法分割检测得到所需的运动对象。(2)目标混合特征提取。首先采用Harris角点检测算法提取空间角点特征量;其次将提取出的角点特征结合金字塔LK光流法计算特征集的光流特性,再通过进一步求解得到每一帧图像特征点的平均速度、平均加速度和总能量值并将其作为3维运动特征量;最后建立灰度共生矩阵提取纹理特征量,通过结合高斯混合模型算法和快速傅里叶变换提高纹理特征的准确性和提取效率,然后采用留一法和SVM分类器优化特征量,得到对分类准确性贡献最大的能量、熵、惯性矩和相关性特征量组合,并将其均值和标准差作为8维纹理特征量。最终,联合3维运动特征量和8维纹理特征量,将其作为用于异常事件检测的最终11维混合特征量。(3)异常事件检测。本文采用基于混合特征和SVV[分类器的监控视频异常检测算法对具有代表性的视频图像进行训练,实现异常事件的自动检测并验证前文选取的11维混合特征量的正确性和该算法的可行性。实验结果表明,本文提出的异常事件检测算法能有效实现异常事件的检测,检测率为97.65%,相较于依靠单一特征量检测异常事件,新算法能够很好地实现异常事件的检测并且具有很高的准确性。