1、在21世紀，多目標分類以及異常行為檢測在視頻監(jiān)控、圖像檢索、人機交互以及軍事等領域得到廣泛的應用。該技術涵蓋的內容很廣泛，包括目標檢測、特征提取、目標識別與行為分析等，但其中關鍵技術仍然存在大量的問題亟待解決。本文在總結和分析國內外現(xiàn)有研究成果基礎上，對多目標分類、異常行為識別等關鍵問題進行深入的研究，在對主要環(huán)節(jié)加以改進的基礎上進行實驗分析，并設計出相應的智能視頻監(jiān)控系統(tǒng)。
　　本文的主要工作包括:
　　在運動目標檢測方面

2、，首先分析常用檢測算法的優(yōu)缺點，然后重點研究了混合高斯(Mixture of Gaussian，MOG)模型。為了解決混合高斯不能處理紋理抖動的問題，提出了一種基于背景減法的改進的MOG模型，然后通過形態(tài)學來處理前景區(qū)域。
　　在多目標分類方面，論文通過實驗比較分析幾種主流算法在多目標分類中的性能。針對可視化“詞袋”模型(Bag of Visual Words，BOVW)特征提取時間復雜度高、視覺字典魯棒性低以及場景分類率低的問題

3、，論文結合稠密SIFT(Scale-Invariant Feature Transform)、空間金字塔、自適應更新字典以及語言模型(language Model，LM)的優(yōu)點，提出了一種改進的BOVW多目標分類方法。實驗結果表明，該方法能夠有效的提高系統(tǒng)的實時性以及分類率。
　　在異常行為檢測方面，對視頻監(jiān)控領域常見的異常行為進行闡述。由于行為識別的復雜性，本文引入耦合隱馬爾可夫模型(Coupled Hidden Markov

4、Models，CHMM)作為訓練模型。但是該模型學習能力差并且對大數據庫依賴性較強，所以本文提出了一種增量學習(Incremental Learning，IL)的CHMM方式。該方法通過樣本的可靠性以及回歸學習策略來訓練模型，如果出現(xiàn)未識別行為，首先對其進行分類，然后通過劃分出的行為訓練出新的行為模型，再對該行為模型進行標注，從而形成一個基于增量學習的耦合隱馬爾可夫模型(Incremental Learning CoupledHidde