随着当前社会老龄化进程的不断加深,老年人因为跌倒而导致的致伤、致病现象突出。同时,近年来屡屡出现的对老人、小孩、独居人士等的“暴力虐待”事件,更加深了社会对于此类异常行为的关注,对于异常行为的自动检测、及时预警成为了当前行为识别研究领域中的新热点。基于计算机视觉的异常行为检测,可以实现检测不直接接触被监测者、对被监测者生活产生的影响小等优点。居家场景下常常会出现无光照环境,同时对于异常行为的检测也提出了全天候实时检测的要求,故本文提出基于红外波段构建居家场景下的异常行为识别模型,以解决这一系列问题。本课题针对居家场景下的异常行为,以计算机红外视觉为基础,结合深度模型开展对异常行为检测的研究,实现对红外波段下室内居家场景中的异常行为检测。本文的主要内容如下:(1)建立了以计算机红外视觉为基础的异常行为检测模型,解决了在可见光波段模型受光照变化的影响导致人体检测错误甚至丢失,难以满足异常行为检测24小时监测的不足;(2)建立了居家场景这一特定应用场景下的红外波段异常行为数据集,课题以长波红外相机进行数据的获取,采集了“跌倒”、“踢”、“推”等3类居家场景下的异常行为。解决了缺乏居家场景下的异常行为数据的不足,实现了针对这一特定应用场景的数据构建,为深度模型的训练提供了基础。(3)建立了以全局轮廓差分累积图(Global Silhouettes Difference Stack Image,GSDSI)对行为动作的全局时空信息的新表达,并结合更深度(Deeper)的具有累积时序处理能力的卷积神经网络,获得新的全局时空信息学习框架GSDSI-CNN结构。再结合多层流结构,形成新的“三层流”模型,实现了对居家场景中的异常行为识别检测。本文根据居家场景这一特定应用场景中的异常行为检测的需求,构建相应的红外波段的实验数据集,应用所提出的GSDSI-CNN模型及融合的“三层流”结构进行异常行为检测的训练和测试。实验结果表明,在构建的居家场景下的异常行为数据集上所提出的GSDSI-CNN模型实现了总的行为识别准确率96.25%,异常行为检测准确率100%,融合后的“三层流”结构对总的行为识别准确率98.75%,异常行为检测准确率100%,验证了本文所提模型的有效性。