中文摘要：

视频移动对象异常行为自动识别有助于安全人员处理危机，提升安全防范能力。但目前的视频监控系统主要依靠专人进行人工监视、视频记录或手工标记，工作强度高，易造成报警不及时，甚至错报、漏报。本课题拟通过背景自适应更新以及小波多尺度变换与色彩比率不变性，融合粒子动力学方法进行视频流分割，基于有限的视频序列，采用非人工标记的行为特征进行自适应非监督学习与建模，对场景中的移动对象行为特征进行正/异常判别，并基于已学习的先前行为特征模式与当前行为特征模式，更新与增加新的行为模式，以及通过移动对象不同行为特征的重要性分析与评价，建立不同异常敏感程度的行为特征评价体系与模型。综合上述方法，实现面向智能视频监控的移动对象异常行为自动识别。通过本项目研究，大大提高复杂场景中移动对象异常行为的自动识别能力，及时、有效处理危机，将事后取证变革为事前预防。研究成果可在军事、海关、机场、港口、城市交通等场合发挥积极作用。

结论摘要：

针对目前视频移动对象异常行为鲁棒识别存在的困难与挑战，分别提出了如下创新性方法，实现非监督学习的移动对象异常行为自动识别。基于视频动态粒子流场，将视频中的移动对象所对应的运动方式映射为可有效反映其运动状态的动态粒子流，获取其运动能量及其运动状态，从而无需对运动对象进行跟踪，也无需预先采集运动对象异常行为样本进行学习与训练；针对目前光流场计算要求较多约束条件且所得解为病态的不足，提出了基于有效约束且可获取唯一光流解的新方法，在可高效获取稳定的光流场的同时，克服场景条件限制并提高移动对象行为特征提取的有效性；融合光流时/空域特征，基于视频场景的网络化与网格光流场特征的并行计算，将视频移动对象运动特征突变转化为网络光流的能量场差异分布；提出了自适应迭代求解获取动态粒子流场方法，克服目前定值解决一阶偏微分方程中的求解难题，有效确定拉格朗日粒子动态系统中粒子的运动位置及其运动轨迹，从而为获取稳定、可靠的移动对象中/高层行为特征奠定理论基础；基于动态粒子流，提取可度量移动对象运动行为模式的重要性显著特征，并基于Radviz图的不同多维运动行为特征直观映射方法，将多维运动行为特征在不同维度子空间的聚类性以及不同特征子空间之间的关系，转变为二维模式以直观揭示多维运动特征之间的关联性及其重要性；针对目前移动对象异常行为识别中运动特征重要性及其匹配识别存在的困难与挑战，提出了非监督视频运动行为特征最优特征提取及其匹配识别方法，基于互信息可度量两变量之间的相互依赖程度，通过融合候选特征相关度和已选特征冗余度，自适应确定与选择最优运动行为特征，以有效区分不同运动行为模式；基于视频序列的时/空运动特性以及多尺度小波变换在时/空域所具有的优异局部化特性，提出了非背景建模或学习的关注区背景或场景状态(分布)的有效检测与识别方法，在克服背景更新或高斯分布参数设置、固定背景模式等不足的同时，有效避免因背景或场景状态分布突变所引起的不利影响；融合前景对象检测与运动历史图像，提出了非监督个体跌倒实时检测与确认新方法，所提方法不受场景、视角约束以及无需预先采集跌倒异常行为样本，可在多种条件下实现个体跌倒异常行为的自动检测与确认。通过本项目研究，提高复杂场景中移动对象异常行为的自动识别能力，以及时、有效地处理危机，将事后取证变革为事前预防。研究成果可在军事、海关、机场、港口、城市交通等场合发挥积极作用。