随着科学技术的进步以及经济水平的提高,监控摄像机已经深入到社会各个角落,对社会稳定做出了巨大贡献。然而,数以万计的监控摄像机每天会产生不计其数的视频图像数据,并且监控视频中包含异常行为的片段或许不到万分之一,单靠人工的观察识别会浪费大量的时间,也容易遗漏重要的信息。如果计算机能自动识别出视频中每个人的行为,并对异常行为发出警报,将会节省大量的人力物力。因此,视频中的异常行为识别技术具有重要的研究意义。人体关节点可以直观地描述行人的动作状态,相比于图像和光流信息,关节点信息可以克服行人外貌、相机运动等对行为识别的干扰。因此,本文提出了基于人体关节点的异常行为识别方法。首先设定了行为特征的提取方式,从人体二维关节点信息中提取行人的行为动作特征;然后将获得的行为动作特征输入动作分类器,以判别行人的行为。为了验证本方法的有效性,本文标注了基于人体二维关节点的异常行为识别数据集,设定了摔倒、弯腰放置危险物品、打架等异常行为,并在数据集上对本方法进行测试。实验结果证明,本方法能有效地提取人体关节点中的行为动作信息,并能准确的识别各种异常行为。实际应用中,摄像机只能拍摄行人的视频图像信息,而无法直接获取行人的关节点信息。为了将异常行为识别应用于现实场景,同时为了促进监控机器人视角下的异常行为识别研究,本文设计了机器人视角下的异常行为识别系统,用于提取机器人拍摄视频中的人体关节点,并进行异常行为识别。系统主要包括四部分:行人检测,确定行人在视频图像中的位置;关节点检测,检测每个人的每个关节点位置坐标,获取行人的关节点信息;行人匹配,将视频中的行人轨迹串联起来,获得每个行人在时间域上连续的关节点信息;异常行为识别,从关节点信息中提取行为特征,并用分类器判别每个人的行为。对于系统运行中出现的问题,本文提出了对应的优化方法:用卡尔曼滤波器预测丢失的关节点;采用多个行为分类器来分别处理不同轨迹长度的行人;针对多人交互行为,在行为分类器之后加入检验模块。最后,在机器人视角下的异常行为识别数据集上测试系统效果。实验结果证明,本系统能有效地提取视频中的人体关节点信息,并能在一段日常环境视频中准确识别行人的异常行为。