近年来,随着公共区域安防需求的提高,基于视频监控设备的智能分析应用场景不断拓展,室内安防场景下的人体异常行为识别便是其中的一个重要应用领域,诸如银行金库、档案馆等机密场所,对室内异常行为提出了较为严格的管控需求。随着硬件性能的不断提升,目前部分视频监控设备已经搭载了智能分析模块,可以实现基于视频数据的人员姿态分析、简单行为识别等功能。现有的视频监控系统在一些行为监管需求较低的场合已经得到了广泛应用,但在具有较高行为监管需求的室内安防场所,针对特定的异常行为难以实现有效识别,识别精度难以保障。因此,研究一种鲁棒的室内人体异常行为识别系统具有重要意义。本课题以银行金库场景下的跌倒和斗殴行为作为识别对象。基于人体关键点检测实现人员骨架信息的提取,重点研究了与跌倒检测相关的单人异常行为识别问题、与斗殴检测相关的双人交互异常行为识别问题。具体内容如下:（1）室内人体异常行为识别系统整体方案设计。结合检测场景特点和技术指标要求分析,完成摄像机、服务器、刻录机等设备选型和硬件系统设计。基于异常行为的识别需求分析,完成了软件系统运行流程以及基于视频分析的行为识别算法流程设计。为提高识别精度,提出了基于最优检测视角判定的摄像机调度方法。（2）基于改进Open Pose的人体关键点检测算法。针对复杂场景下存在较多干扰前景的问题,提出了基于人体关键点检测的人员骨架信息提取方法。针对检测的实时性需求,采用深度可分离卷积替换了经典Open Pose模型前置特征提取层的3D卷积,降低了模型参数规模;为了实现多人场景下关键点的全局最优匹配,改进匈牙利算法对检测得到的关键点做二分图匹配,通过最优增广路径遍历求解最优匹配;同时,提出了基于高斯核的关键点标注策略,使得标签图中关节位置的分布描述更加接近实际情况;为了保障骨架信息中坐标向量的完整性,通过最近邻加权回归实现了缺失值补偿。（3）基于通道拓扑变换CNN（Convolutional Neural Network,卷积神经网络）的单人异常行为识别方法。跌倒行为是一种典型的单人异常行为,针对存在运动模式相似行为干扰导致的识别误差问题,提出了基于改进CNN的识别方法。首先,为了放大相似行为的肢体运动幅度差异,通过运动相关性特征建模细化了对人员的姿态特征描述;然后,设计了一种具有速度特征提取能力的通道拓扑变换CNN,进一步基于肢体运动频率差异实现对相似行为的有效区分;最后,为了减少处理冗余帧产生的时间开销,提出了基于关节点运动特性分析的关键帧提取策略。（4）融合时空图序列特征的双人交互异常行为识别方法。斗殴行为是一种典型的双人交互异常行为,针对存在人员相互遮挡导致的识别精度低问题,提出了融合时空图序列特征的识别方法。为了丰富遮挡情形下关节间的连接状态描述,基于骨骼序列信息进行帧内空间图和帧间时间图连接设计,构建了斗殴行为时空图特征描述子;为了更好地结合时序信息,通过改进长短时记忆模型进一步提取时空图序列特征:针对模型相邻时序节点决策互补性不足的问题,基于门限值互补共享策略优化了模型的内部循环单元;为了约束模型参数在训练过程中的状态分布,保障梯度的层间线性流通,在模型中引入了层标准化和线性缩放残差连接支路设计。综上所述,本文完成了室内人体异常行为识别系统设计,研究了人体关键点检测、跌倒行为和斗殴行为识别方法。在此研究基础之上,进一步完成了系统软件的开发,软件主要包括用户登录、自动运行、离线测试和数据管理等功能模块。为验证识别算法有效性,基于采集的行为数据样本测试分析,跌倒和斗殴行为识别准确率分别为95.2%和93.4%,过检率均小于5%,漏检率均小于1%,达到异常行为识别的性能指标。为验证系统检测效率,进行了检测耗时定量分析,平均每帧图像处理时间低于110ms,满足每秒5帧以上的检测速度要求。并且,系统软件运行鲁棒,能够满足使用需求。