视频监控下的人体异常行为检测与识别是公共安全领域的研究热点,但由于现实生活中的视频监控存在人体遮挡和相似异常行为难以区分的缺点,导致人体异常行为检测与识别效果差、实时性低。本文对基于视频监控的人体异常行为检测和识别算法进行研究,将深度学习技术应用于人体异常行为检测与识别任务中,构建了异常行为检测与识别两级级联网络,实现对公共区域的人体异常行为有效检测和识别。本文的主要研究内容如下:1.针对复杂场景中人体遮挡导致人体异常行为检测效果差、实时性低的问题,提出了将生成对抗网络用于人体异常行为的检测算法。该算法通过生成对抗网络对视频下一帧进行预测,构建运动损失函数以有效提取复杂场景视频流中的人体运动特征,并建立异常行为判决函数,实现对异常行为视频帧的准确定位,最后在自建的异常行为数据集上进行实验。实验结果表明,该方法在复杂场景情况下可准确检测出异常行为视频帧的位置,检测精度可达98.0%,相比于自编码器异常行为检测算法提升了5.7%;对于视频流的检测速度可达每秒35帧,可实现对人体异常行为视频帧的实时检测。2.针对相似异常行为难以区分导致异常行为识别准确率低的问题,提出注意力增强图卷积的人体异常行为识别算法。通过引入骨长信息流和关节信息流数据,构建具有全局适应性的邻接矩阵,对没有连接的节点之间赋予权重,充分学习异常行为关节间的相关性,同时添加时间和通道注意力机制,关注信息丰富的关节,有效提取具有区分性的异常行为特征,采用Softmax对提取的异常行为特征进行识别,最后在第一级网络定位的异常行为片段上进行实验。实验结果表明,该方法在相似异常行为难以区分的情况下,识别精度可达91.2%,相比于时空图卷积网络行为识别算法提升了10.74%,对于相似性较高的持刀和抢劫行为,其识别精度可分别提高3%和14%;识别速度可达每秒25帧,可实现对人体异常行为的准确识别。