基于视觉的人体运动分析是计算机视觉研究领域的重要课题之一,被广泛地应用于智能监控、人机交互以及虚拟现实等领域中。人体运动分析的主要目的是从视频序列中检测、跟踪、识别人体姿势,并对其行为进行理解和描述。本文针对运动分析中的关键问题——运动目标检测、目标跟踪以及行为识别算法进行了研究。本文实现了基于高斯混合模型的背景减除算法,采用基于自适应学习速率的背景模型学习算法,加快模型收敛速度,在初始场景中存在运动目标的情况下也能达到比较理想的效果。本文对目标跟踪算法的研究主要是以粒子滤波技术为理论框架,将目标的颜色信息引入到粒子滤波算法中,建立目标的颜色统计直方图,使得算法需要的粒子数减少,计算复杂度降低。该方法对于目标被部分遮挡、旋转以及形变等情况有较强的适应性。本文的行为识别算法是建立在对人体行为观测的基础上的,用一种改进的基于人体区域的形状上下文技术表示人体轮廓形状,通过对训练样本集进行学习,利用最佳状态数估计法建立连续隐马尔可夫模型之后,利用贝叶斯判别准则,实现了对人体行为如走、跑、双脚合拢跳跃、单脚跳跃和侧向跳跃五种行为的识别。本文的创新点有三个:1.基于自适应学习速率的背景模型学习算法从两个方面对传统的基于高斯混合模型的背景减除算法做出改进。一方面,针对模型初始化阶段的问题,采用背景模型学习算法;另一方面,在模型建立和更新过程中,采用不同的学习机制,模型更新时采用自适应的学习速率,使模型能够快速准确地收敛。2.用基于人体区域的形状上下文描述法表示人体的形状。以人体区域的整体作为特征,忽略了细节问题,对人体轮廓的完整性和精确度要求不高,在图像质量不高时,该方法十分有效。3.在行为识别的模型训练中,采用最佳状态数估计的方法建立最优的连续隐马尔可夫模型,然后用贝叶斯准则进行分类识别。