随着科技的发展,现在摄像头已经广泛布置在我们生活中的各个角落,视频数据也呈爆发式的增长。异常行为是相较于正常行为而定义的,具备突发性、低频性等特点,因此传统的人工排查不再适用。随着深度学习的发展,由算法模型自动学习相关特性,时刻监控视频数据,当有异常行为发生时,模型自动做出判定,出发相应的预警信息。将摔倒这一行为定义为异常行为,是由场合以及相关环境而决定的。例如机房里工作人员的摔倒,独居老人突然摔倒等。以上情况相较于日常生活中的摔倒行为,更容易造成不可挽回的后果。因此及时检测摔倒行为并做出反应有着重要的意义。本文从摔倒具有时序性这一特点出发,结合目标检测网络提出了关于摔倒检测的一个新思路,本文的主要工作如下:1.针对模型轻量化的需求,本文以YoloX-DarkNet53模型作为基础,从降低模型参数量、计算量以及增强模型特征提取能力入手,提出了改进的L-YoloX模型。具体为:在CBL和FPN结构中,增加注意力机制,增强主干网络能力和提高网络多尺度特征融合的能力。在网络堆叠的CBL结构中引入深度可分离卷积,减少网络的体积和参数量。最终L-YoloX算法参数量降低了3.3%,推理时间减少了2.9%,实现了轻量化的目标。2.基于摔倒行为具有时序性质的特征,改进了ST-GCN网络,增强了网络对人体骨骼关键点的分类能力。具体改进了网络中的掩码和邻接矩阵结构。在掩码当中,增加了自注意力机制,使掩码可以结合与其他关键点之间的联系,凸显不同部位的重要性。在邻接矩阵中,增加一个额外的可学习矩阵,与原来的结果进行加和操作,以此来获取空间上不相连的骨骼关键点之间的信息。最终提升了ST-GCN网络的精确率。同时,在实验中改进骨骼关键点的数量信息,提升了模型的推理速度。3.针对模型部署的需求,以TensorRT框架为基础,研究了模型量化的相关工作。具体研究了网络层融合、张量融合以及数据精度量化相关的内容。通过实验验证了模型在嵌入式平台部署的可能性及优势。最终以精度略微降低为代价,提升了模型的推理速度。