近年来视频中人体行为检测已经成为计算机视觉领域的一个研究热点,它通过图像处理、模式识别等方法对视频数据进行分析处理,从而建立底层数据和高层语义之间的关系,在人机交互、智能监控等领域有广泛的应用。将人体行为检测技术应用到矿井视频中可以检测矿井下矿工的异常行为,基于检测结果实现实时报警和联动控制,减少矿井事故的发生。论文主要研究矿井场景下的人体行为检测,希望能够对矿井视频中人体的常见行为进行分类。在分析视频人体行为检测领域的研究成果的基础上,主要从人体运动区域提取、人体行为特征提取与表示和人体行为分类三个方面研究矿井视频中人体行为检测。论文的主要研究内容如下:(1)提出了一种实现人体运动区域提取的融合算法,该算法融合了基于Haar特征的人体检测算法和时间差分法提取人体运动区域算法。首先利用时间差分法对背景建模,获得初步人体运动区域;然后使用基于Haar特征的Adaboost训练算法生成分类器,提取更加精确的人体运动区域,降低了复杂背景对检测精度的影响。(2)使用Harris3D角点检测算法检测视频中的时空兴趣点,计算时空兴趣点邻域的HOG和HOF特征,并归一化处理。(3)建立特征包模型,并使用支持向量机进行分类。对训练集视频所有的HOG/HOF特征使用K均值聚类算法聚类获得特征包模型的词典,通过计算训练集各个兴趣点的HOG/HOF特征和特征包模型中词汇的欧氏距离形成每段视频的视觉词汇直方图,将直方图转换为特征向量;使用这些特征向量训练SVM分类器,并利用SVM分类器对测试视频分类;使用RDF来表示和存储视频对应的行为种类。