人工智能作为信息化的战略性技术之一,受到了各个领域的专家学者们的广泛关注并产生了许多与各个行业相结合的工业级应用。在人工智能领域,行为识别作为计算机视觉任务中的研究重点,在智慧交通、人机交互、医疗辅助、安防监控等诸多领域落地了许多工业级应用。目前,尽管行为识别技术已取得很大的研究进展,但仍存在许多挑战,如人体行为识别过程中容易受到噪声等外界因素干扰,导致算法识别准确度欠佳、模型鲁棒性不高及识别速度做不到实时性。为提高基于深度学习的人体异常行为识别的精度与速度,主要进行了以下研究:1.针对在Canny边缘检测算法中Sobel算子对边缘定位准确度不高导致得到的人体轮廓特征较粗糙的问题。本文提出了一种融合人体轮廓特征和HOG特征的目标检测方法。首先,通过Canny边缘检测算法得到人体轮廓特征,其次将人体轮廓特征与HOG特征利用字典学习得到局部特征与全局特征的最优解,最后使用SVM分类器输出结果,为后续的异常行为识别打好基础。实验结果表明,本文提出的融合方法具有较强的鲁棒性,同时识别率相较于其他单特征而言达到了较高的水平。2.现有的异常行为识别方法过于依赖先验知识,得到的检测器大多只能检测特定的异常事件。据此,本文采用多示例学习来实现弱监督学习,并在特征选择阶段采用稀疏采样方法。首先,通过改进的CLIPBERT结构进行特征提取,利用3D卷积得到相邻帧之间的运动信息;2D卷积则提供视频的静态视觉语义,通过池化操作得到能够与3D网络中获得的特征连接的视频级特征。最后,通过改进的MIL结构生成最终的分类结果。实验结果表明本文所设计的异常行为识别方法基于主流数据集在识别效果上具有一定优势,且该方法在模型复杂度和识别效率上具有很好的竞争力。综上所述,本文搭建基于特征融合的目标检测网络,用于识别和定位视频中的目标;搭建基于多示例学习的人体异常行为识别网络,进行对于人体异常行为的检测与预警。为验证效果,基于当前热门的公开数据集进行仿真实验,结果证明本文所研究的目标检测及行为识别方法与本领域其他方法相比,精度与速度均有所提升,在所在领域具有应用价值。