中文摘要：

本项目采用数据挖掘和监控视频处理相结合的思想，研究和探讨新的适合复杂场景的监控视频高层分析和挖掘的理论和方法，把监控视频数据流中隐含的、有价值的目标运动模式挖掘出来。针对复杂监控场景视频中目标轨迹受噪声（光线、遮挡、阴影重叠）影响下难以提取的问题，采用统计、时序和上下文相结合的群目标运动建模和运动模式挖掘思路，研究鲁棒性较高又能够提取时序行为的监控视频挖掘方法，获取客观的目标运动模式，而不同于当前的监控视频事件检测技术和基于轨迹的模板匹配方法中采取人工指定的运动模型方式。本项目研究内容包括运动目标的频繁和关联轨迹挖掘、基于时空模型的行为聚类、基于上下文信息的意外行为模式发现与预测、基于运动模式的视频摘要，挖掘出频繁轨迹模式、显著行为模式、意外行为模式和摘要模式。通过本项目研究，期望在监控视频的运动模式挖掘的基础理论和方法上有所突破，为监控视频计算机智能处理及其应用提供理论基础。

结论摘要：

本项目针对复杂监控场景视频中目标轨迹受噪声影响下难以提取的问题，采用统计、时序和上下文相结合的群体目标运动建模和运动目标模式挖掘思路，其不同于当前的监控视频事件检测技术和基于轨迹的模板匹配方法中采取人工指定的运动模型方式。本项目研究成果包括群体行为时空模型的构建和复杂场景下的群体事件发现与挖掘。具体成果表现在五个方面: 　　提出一种基于运动向量交叉点的群体事件检测方法。首先获得运动向量交点集合，它们体现群体事件对象之间的空间关系和运动趋势。然后，对运动向量交叉点应用基于密度的聚类，剔除噪点，找到多个聚类簇，每个簇与对应区域内发生的事件有关。最后通过投票得到事件发生的概率。针对特定范围内发生的特定密度的事件，通过参数控制的方式，发现多个中心的群体事件，及其聚集或分散中心。实验结果表明算法可以有效检测同时出现的多个事件，并且对于光照阴影具有较强的鲁棒性。　　提出一种群体异常行为检测的行为熵模型，基于场景时空信息并借助信息论和热力学的理论定义像素行为确定性，通过确定像素行为确定性计算像素的行为熵，场景行为熵和行为熵分布可以分别用来检测和定位异常行为。对若干个经典数据库进行了实验，结果表明该方法能够成功地捕捉群体动态行为，并且在监测和定位异常行为方面优于一些经典的方法。　　针对视频监控中可能存在无负样本的问题，提出了数据描述非负矩阵分解方法，通过融合数据描述和非负矩阵分解，并进行迭代优化，对正常场景构建“闭包”。算法可以检测无异常训练样本情况下的异常检测问题，检测速度快，和经典算法对比有一定优势。　　提出一种使用运动特征发现其潜在语义内容的方法。在特征统计估计阶段，将轨迹曲线中的拐点特征加入到核密度估计过程中，得到准确平滑的方向多性态分布；使用隐马尔科夫模型估计轨迹子类中存在的串行或并行空间模式。最后以运动特征分布为基础，提出一种基于运动相似性的轨迹层次聚合模型。实验结果表明，该模型可以有效的分析轨迹序列集的潜在结构，反映了场景中存在的运动区域信息。　　针对视频监控过程，使用运动目标的状态特征描述场景中存在的语义内容。基于DBSCAN聚类模型学习特征集的潜在结构，生成了运动行为模式集。使用高级Petri网刻画模式间的连续、并发等时序关系，构成复杂语义事件探测模型。实验结果中给出了事件Petri网的具体建模过程，并演示了“停留”与“偷车”两个感兴趣事件的探测结果。