随着智能监控时代的到来,视频数据信息的爆炸式增长,给视频检视任务带来了巨大的挑战。一方面传统的人工检视方法已经无法满足于实时有效的苛刻要求,另一方面深度学习技术的兴起又给视频理解任务注入了新的活力。随着多年的技术积累,行为识别算法的应用已经相当广泛,并已成为智能视频分析、视频标注、人机交互、安全监控等许多领域的重要基础。视频作为2D图像的集合,直观上是仅仅增加了时间上的维度信息,但如何有效地整合时间特征与空间特征却成为行为识别算法当中的难点。本文以卷积定理作为理论依据,以pytorch作为学习框架,构造并训练了一个基于人体骨架的时空图卷积模型,实现了公共场合下对跌倒、呕吐、打斗、抢东西、被物体击中等异常行为的检测。基于骨架的行为识别技术,其关键在于两个方面:一方面是如何设计鲁棒和有强判别性的特征,另一方面是如何利用时域相关性来对行为动作的动态变化进行建模。对此,本文的主要研究工作如下:1.使用openpose提取视频中人体骨架序列,通过PAF亲和场的线积分方法优化候选关键点之间的二分图优化问题。2.利用拓扑图的拉普拉斯矩阵,对其进行特征分解,将特征向量作为傅里叶变换基,实现了拓扑图上的卷积操作,并对图卷积核的参数进行优化设计,阐述了三种设计方案:直接替代法、K阶法、切比雪夫多项式截断法。3.构造时空图卷积模型,以提取的人体骨架序列作为输入,完成网络端到端的训练与预测,并探讨了模型中节点分区策略和注意力机制的作用,最后通过一系列消融实验和对比实验来验证模型的有效性。实验结果表明,本模型在自定义数据集上Top-1和Top-3准确率分别达到了79.2%和88.3%,均优于目前的技术Deep LSTM和Temporal Conv。另外对于NTU-RGB+D数据集,本模型在跨对象基准和跨视角基准下Top-1分别达到85.2%和93.3%,也优于目前技术,这也证明了本模型具有一定的鲁棒性。本模型在单人行为的识别率较高,但在多人互动的情况下效果仍然欠佳,这也是本文下一步的研究重点。