在计算机视觉领域蓬勃发展的几十年里,许多研究成果早已经渗透到我们生活的方方面面。人体行为识别的应用就得到了广泛的传播,如智能监控、人机交互、各种检索等都是利用人体行为的原理衍生出来的产品。由于和人们的生活息息相关,所以得到了很多学者的青睐也表现出很大的应用前景和经济价值。这也导致了社会对人体行为技术要求不断提高,使得该技术成为备受关注的原因之一。同时这也是对我们的又一大挑战。本文对人体行为识别技术的研究主要有以下内容:人体行为目标检测:主要是通过背景差分法,先利用视频序列的前几帧的平均值构建出背景帧,后面的视频帧通过和背景帧做差分将目标物体从背景中分割出来。同时我们通过另一种方法OYSU的全局阈值的改进算法来提取目标前景,主要原理是通过选取合适阈值的方法将图像的像素值二值化后,把图像的背景和前景区域分割开来。比较两种方法目标检测的效果,选择效果较好的方法来进行下一步。人体行为特征提取:在特征提取部分,我们主要是通过提取目标行为的形状特征梯度方向直方图(Histogram of Gradient,HOG)和傅里叶描述子(Fourier Descriptor,FD)为了得到多样的特征来提高识别率,本文选择提取目标行为的尺度不变特征转换(Scale-invariant feature transform,SIFT)特征,最后用光流法来提取特征的运动轨迹。将以上几种特征相融合,得到最后的行为特征。通过实验来验证该方法的有效性。人体行为分类:本文选用支持向量机SVM分类器对人体行为进行分类。在MATLAB仿真环境下,用KTH数据库和Weizmann数据库做四组对比实验,人体行为特征特提取分别用HOG、HOG+FD、HOG+PCA+SIFT、本文算法进行对比。通过实验证明了本文算法的有效性和鲁棒性。