计算机视觉技术的快速发展为海量监控数据提供了多种自动化分析解决方案,就行人信息而言,现有的解决方案多是专注于目标检测、目标跟踪等低层算法,因此行人信息的分析方法仍待向中高层算法方向继续深入研究。由于行人的特性可通过年龄、性别、携带物等属性来推断,行人未来的意图能通过当前时刻的具体行为来预测,因此研究行人属性识别与行人异常行为分析对智慧安防等领域有着重要的意义。为了在真实监控场景下能更加鲁棒地提取出行人的中高层语义信息,本文顺应当前计算机视觉技术的发展趋势,利用深度学习方法,重点面向监控场景下的行人属性识别和行人异常行为识别技术进行了研究。具体研究主要工作如下:1.在行人属性识别任务中,本文提出了一种基于局部注意力机制的行人属性识别算法,该算法能有效识别行人的多种属性。为了能直接对监控场景下的行人进行属性分析,算法首先利用基于关键点的目标检测算法进行行人目标检测。然后,算法引入行人结构分布的先验信息对目标行人的局部图像和全局图像进行建模,并利用基于通道和空间的注意力机制残差网络加强对目标行人有效区域特征的提取,减少行人背景区域的干扰。为解决数据集中属性分布不均衡的问题,算法引入了改进的二值交叉熵函数进行属性分类。该算法对基于关键点的目标检测算法进行微调,能更好地识别有效行人。该算法在Market-1501数据集和自建的真实场景属性识别数据集中进行了测试,实验结果表明,本算法能较好的识别出行人的12种属性。2.在行人异常行为识别任务中,本文提出了一种融合人体骨架空时特征和行人表观语义特征的基于人体骨架特征的行人异常行为识别算法,该算法能有效识别行人的异常行为。该算法主要由空时域骨架特征提取网络和行人表观语义特征提取网络组成。在空时域骨架特征提取网络中,首先设计了一个骨架序列生成模块,以提取出视频中每个行人的骨架序列。然后利用长短期记忆网络和图卷积网络构建出人体骨架序列的时序特征和空间特征,其中长短期记忆网络和图卷积网络都采用层次化堆叠的方式对骨架的关节片段进行特征提取。为了提升识别的鲁棒性,本算法在网络中还引入了行人RGB序列表观语义特征。最后,将空时特征和表观语义特征进行融合,并利用含有softmax的全连接神经网络实现行为分类。此外,本文所提出的算法在自建数据集上进行了评估。实验结果表明,本算法能在真实监控场景下对本文所定义的3种行人异常行为进行识别。3.本文设计了一套基于深度学习的行人属性及异常行为识别系统。该系统采用模块化结构进行搭建,采用Py Qt5进行图形用户界面设计,利用基于局部注意力的行人属性分析算法和基于骨架空时特征的行人异常行为识别算法实现了行人属性识别和行人异常行为识别两大功能。通过行人属性及异常行为识别系统的设计,验证了本文提出的行人属性识别算法和行人异常行为识别算法在真实场景下的有效性。