人体目标的行为识别作为计算机视觉和模式识别领域的重要分支,是现阶段研究的热门课题之一,关系到日常生活、生命财产安全、社会和谐稳定等方面。目前,简单场景下的人体行为识别问题已经基本得到了解决。但是,如何在基于视频的复杂环境中对目标进行快速、精准地行为识别已经成为当下研究者们的重点和热点。借鉴国内外计算机视觉领域相关研究成果,在分析和研究现有人体行为识别方法的基础上,本文给出了一种基于深度学习辅助主成分分析网络的人体行为识别算法。该算法的主要思想是使用深度学习代替传统的前景提取方法来检测复杂环境中的人体目标,并结合主成分分析网络最终实现对人体行为的识别。本文的研究工作如下:(1)总体算法设计。给出了基于深度学习辅助主成分分析网络的人体行为识别算法框架。该框架包含复杂场景中的人体目标检测和人体行为识别两部分。其中,第一部分是利用深度学习算法模型对视频图像的人体目标进行检测与特征提取,去除复杂背景和图像中不相关的噪声数据。第二部分则是将提取到的有特定行为的人体目标数据放入到已通过行为数据集训练后的主成分分析网络的模型中进行行为识别。(2)基于深度学习的视频中人体目标检测方法研究。针对目标前景提取与检测难问题,本文使用深度学习的目标检测模型来对复杂场景中人体目标进行前景提取与检测。此外,为了提高该模型的目标检出率,分别使用焦点损失原理和稠密网络理论对目标检测模型进行了优化。实验结果表明,优化后的模型在保证目标检测速度的同时,可以获取更加准确的特征信息、提高目标在复杂场景中的检出率。(3)基于主成分分析网络的人体目标行为识别方法研究。针对现阶段人体行为识别方法运算复杂度高、运算效率低等问题,并结合3D卷积神经网络原理,给出一种无监督性的基于3D卷积主成分分析网络的人体行为识别方法。在主成分分析网络中使用主要成分特征作为“卷积核”来对图像进行滤波,进而能够获取图像深度特征信息。实验结果证明该算法在提高训练效率和识别准确率方面有着较好的表现。(4)算法的实现与结果分析。本文使用开源视频图像行为数据集对基于深度学习辅助主成分分析网络的行为识别算法进行训练与测试,测试结果表明在KTH、YouTube_Action和UCF_sports三大人体行为数据集的识别准确率分别为94.5%、86.7%、92.4%,验证了本文给出的算法在行为视频中有着较高的可用性。