当前,人体行为识别是计算机智能视觉监控领域中最活跃的研究主题之一,其核心是利用计算机视觉技术从视频中检测、跟踪人并对其行为进行识别。行为识别在虚拟现实、视觉监控、感知接口等领域均有着广阔的应用前景。其关键技术集中在目标的特征提取与行为分类识别算法。本文根据科研项目《基于图像传感器阵列目标跟踪监控系统的研究与实现》的研制要求,研究了简单场景下单人的行为识别,主要研究的内容有视频中运动目标分割,PCA主分量分析与运动速度特征提取算法,SVM支持向量机与HMM隐马尔科夫分类识别算法以及基于多分类器融合技术的支持向量机与隐马尔科夫的融合算法,并对人的跑、蹲、站、弯腰、招手、指和走这7种行为进行了分类识别。主要工作如下:1、由于人体远离与靠近摄像头时人体会发生大小变化,直接采用同一大小的矩形框分割将会带来较多冗余信息。所以本文采用基于轮廓的质心提取方法将人体目标进行较精确分割。而后再采用象素关系重采样放缩方法将人体行为图片序列进行大小归一化。这样既能减少冗余数据又能减少了后面特征提取的数据处理。实验结果表明,采用上述方法能够较精确并较完整地提取运动目标。2、针对在大部分文章当中从8个方向识别人体行为时,走与跑的行为的识别率相对比较低的情况,故而采用运动速度特征与主分量分析PCA外形特征相结合,再用支持向量机SVM构成的多类分类器从8个方向对人的7种行为动作进行分类识别,由于增加了运动特征,故在很大的程度上提高了走与跑行为的识别率。3、针对用支持向量机对人体行为进行识别时,指与站的识别率相对较低的情况,本文利用指与站等行为的时变数据的特性,采用隐马尔科夫算法对人体行为进行一种新的变状态数的建模及分类识别。首先利用提取到的组合特征进VQ训练及量化,然后把量化后的数据作为隐马尔科夫模型训练与识别的观察符号,这样就可以大大地降低特征数据的维数,减少数据处理。最后再用隐马尔科夫模型HMM的几个修正后的经典算法对其进行训练,为每一种行为建立一个隐马尔科夫模型,其中每一种模型的最佳状态数由实验确定。由于隐马尔科夫模型能够有效地匹配时变数据,故指与站的识别率得到了一定的提高。4、采用目前广泛运用于模式识别中的多分类器融合技术,将支持向量机与隐马尔科夫模型构成的分类器进行融合,弥补了它们在人体行为识别方面对某些行为动作的识别时都表现出的各自的缺点。再从8个方向对人的7种行为动作进行识别,各种行为动作都达到了最优的识别率。