摘 要 人体行为的异常检测一直是计算机领域的热点问题，近些年，相关研究基于人体姿态及异常已经解决了很多实际问题，但是由于人体行为异常检测是依赖人体姿态研究所展开的，而传统方法产生的姿态数据可靠性相对较低，为了进一步提高行为异常检测的准确性，文中将引入深度学习算法，并做了无监督学习进行行为异常检测的相关研究。

关键词 无监督学习;行为异常检测;相关研究

本文主要通过深度学习技术，获得人体姿态中各关节点信息，采取一定的方式存取数据后，通过无监督学习对数据进行特征提取及聚类分析，从而达到人体行为异常检测的目的。

行为的异常检测主要分为三个部分，即包括通过深度学习技术获取置信度较高的人体关节点数据，将数据进行处理并通过EM算法提取人体特征，对特征做整理并进行无监督的聚类算法。在异常行为的检测中，产生的姿态数据及人为定义的特征均无标签，因此无监督学习可以从数据本身出发，发掘深藏在数据中的规律，通过设定一定阈值分析行为特征，达到良好的聚类效果。

1AlphaPose人体姿态估计算法

AlphaPose是一种置信度较高的人体姿态估计算法，它的目标就是通过分析图片或视频，获取出现在其中人物的姿态信息即关节点坐标，直观展示如图1所示。

图1  人体姿态估计样图

通过网络模型预测，生成json格式文件，其中包含身体既定关节点x与y轴的坐标信息、帧数、置信度、id等字段。……