监狱、看守所是维护国家治安的重要场所,其对安全性的要求高于其他场所。哨兵担任着看守、保卫任务,需要快速响应各种异常情况,其值勤状态是保障监所安全的关键因素,需要实时监测。传统的监所视频监控系统依靠人工监测哨兵值勤状态,耗费资源,监测效率低。因此,研发快速的哨兵值勤状态自动监测算法具有很强的工程应用价值。本论文研发了基于关键点时空图的监所值班室哨兵值勤姿态动作快速识别算法,自动监测哨兵的值勤状态。算法采用快速轻量化原则设计,分为人体目标检测、人体关键点检测和动作分类识别三个模块。人体目标检测模块基于单步检测框架,利用浅层全卷积神经网络进行特征提取,保证检测精度的同时降低模型复杂度;对数据归一化、损失函数等部分进行详细分析与设计;在训练过程中使用数据增强、多尺度训练等方式进行改进,提高检测精度。人体关键点检测模块采用多模型聚合的方式处理部分无标签样本,缓解自建数据集关键点标注数据不足的问题;使用知识蒸馏技术对复杂的多层堆叠沙漏网络进行压缩处理,显著降低模型参数量和计算量。动作分类识别模块采集多帧人体关键点数据构建时空图进行分类识别,通过双路特征提取和通道转换的方式充分学习关键点数据的时空特征和共现特征,利用全局平均池化的方式整合特征。本论文对算法每一模块进行了单独的实验测试,并整合模块进行整体测试。针对不同的值勤场景,算法能有效识别哨兵翘脚、伏案等异常动作状态,实现自动化报警,分类识别准确率可以达到99%。算法在GTX1080Ti上由输入图像得到人体关键点输出耗时约为7.1ms,由关键点时空图进行一次动作分类识别耗时约为1.5ms,满足哨兵值勤姿态动作快速识别的需求,并在监所视频监控系统中得到实际应用。