服刑人员与家属的亲情会见、与法律援助人员的沟通,在促进服刑人员积极改造方面起到重要作用。远程视频会见作为一种新兴的会见方式逐步受到重视,成为智慧监狱建设的重要方向之一。传统的会见过程监管方式智能化水平低、警力投入大、劳动强度高。本文面向远程视频会见应用,研究基于深度学习的异常行为检测和预警技术,提升会见过程监管的智化水平和监控干警工作效率。针对实际应用需求,构建轻量化的目标检测和姿态检测模型,设计快速有效的异常行为检测算法,实现视频会见过程的自动化监督和预警功能。主要研究工作如下:1、以目标检测算法YOLO-V3为基准,进行改进和优化,构造了一个具有较高识别准确率和检测实时性的人体目标检测器。由于YOLO-V3是一个规模较为庞大的模型,算力需求高,根据需求需要对其进行网络瘦身。首先以归一化层中的缩放因子γ为指标进行网络稀疏化训练,稀疏化后进行网络通道剪枝,由于通道剪枝会对网络的预测准确率造成损失,为此再通过知识蒸馏方法,借助高性能网络模型的帮助,弥补剪枝后带来的准确率损失。最终经过剪枝和知识蒸馏后的YOLO-V3模型,模型规模由原来的248MB压缩到24MB,变为原来的十分之一,在MSCOCO 2017数据集上对人这一类别的识别准确率为68.6%。2、以AlphaPose网络模型为基准,对其进行改进和优化,构造了一个具有较高识别准确率和检测实时性的人体姿态检测器。AlphaPose网络采用的是自上而下检测方法,由两部分构成,第一部分是负责检测人体的人体目标检测器,将检测出的人体目标送到第二部分单人姿态估计器检测出人体关节点坐标。将AlphaPose网络原有的Faster-RCNN人体目标检测器替换成上述经过剪枝的YOLO-V3网络,将原有的堆叠沙漏（Stacked Hourglass Networks）单人姿态估计器替换成一种高效、轻量的骨干网络Efficient Net-B0。最终所构造的人体姿态检测器在MSCOCO 2017姿态估计数据上取得71.2%的平均准确率。同时在相同测试环境下与主流模型进行速度比较,所构造的人体姿态检测器能达到86FPS的处理速度,使得满足项目应用成为可能。3、基于构造的实时姿态检测模型,设计了剧烈肢体动作检测算法和越界检测算法,实现了基于会见视频的异行为常检测与预警功能。算法以姿态检测模型输出的人体关节点坐标信息为基础,以肢体运动速度为检测依据,实时跟踪会见人异常行为并进行预警,在构建的数据集上进行了有效性测试,取得94%的查准率和97.9%的召回率。