随着现代社会不断发展,手机、电脑等电子设备已经成为人们日常生活中不可或缺的一部分,同时摄像头等设备在大街小巷发挥着重要作用。超市中,摄像头可以实时记录突发情况;教室中,摄像头可以实时的记录学生的行为活动。监控摄像头中含有大量信息,通过监控视频分析人体行为异常信息已逐渐成为了各个领域的热门话题。人体异常行为检测的研究对于室内场景下分析人体行为提供了有利条件,逐渐成为了一个重要的研究课题。所谓人体异常行为,即当前场景下,人体做出的一切不适宜的行为活动。在现有的人体异常行为的研究中,大多数采用传统方法直接对图像进行特征提取,受限于图像的外观,视角,遮挡等问题,无法充分利用图像信息。另外,一些研究使用深度学习模型,通过神经网络进行卷积操作,对视频背景环境、图像质量要求较高,自适应差。针对上述问题,提出了基于人体关节点检测人体异常行为的方法。首先,通过多人姿态估计网络获得人体关节点坐标数据,利用关节点坐标和关节点之间的内在联系定义人体的行为特征。其次,视频是由大量帧数图像构成,人体行为特征的维度较高,为降低数据的维度,通过混合高斯模型拟合分布,依靠EM算法进行迭代求解,得到混合高斯模型的参数估计,最终将人体行为数据分布参数作为人体行为特征。检测时使用滑动窗口,对一定大小的人体行为序列进行检测。通过无监督学习模型标记具有异常行为特征的人体。最后,通过有监督学习构建合理的行为分类器,提取标记的人体行为特征数据,识别其具体的异常行为。从而达到检测人体异常行为的目的,为实际应用场景提供参考依据。本文最后以某会议室为背景,利用实际数据对设计的模型进行了多次实验,能够较好的检测人体的异常行为,从而证明了本文提出的方法是有效的。