视频中人体行为识别是计算机视觉中一个重要的研究领域,对人们生活质量的提高有着重大的影响,如楼宇智能监控系统、汽车辅助驾驶系统以及高级的人机接口等领域都扮演着重要的角色。由于检测环境中背景的多样性、亮度的变化以及衣着的多样性等因素的影响,使得人体行为识别鲁棒性、稳定性以及实时性具有较高的要求。本文主要研究视频中人体行为识别方法,结合行人的运动信息实现在摄像头固定情况下对人体的行为进行检测与识别,主要工作如下:1.研究了原始HOG特征的原理,针对其计算量大、识别率低等缺点结合运动区域检测方法提出了基于3D-HOG特征的人体行为识别方法。利用SVM分类器进行分类识别,实验结果表明,基于3D-HOG特征的人体行为识别方法在光照变换和有无遮挡等方面具有一定的鲁棒性,计算效率有了显著提高增强了实时性。2.视频中人体行为识别的识别率会因图像发生平移、旋转、仿射变化、尺度变化、图像亮度变化而受到较大影响。本文基于高斯差分金字塔理论研究了SIFT算法,因其具有尺度不变性,鲁棒性较强,提取动态视频序列中的特征时则需引入第三维度(时间),使用3D-SIFT描述算子,最后进行分类识别。根据实验结果,展现了3D-SIFT特征稳定性强,匹配性能好等优点。3.视频中人体行为识别方法中的特征需兼有计算量小、鲁棒性强和识别率高等特点。基于此本文以方向梯度直方图的思想为理论基础,结合光流估计方法提取出光流强度和方向直方图特征。针对光流有对背景干扰敏感、易受光照影响等缺陷,本文对光流场中的像素点进行加权处理生成加权光流直方图,增强其鲁棒性。根据实验结果,展现了光流强度和方向直方图特征鲁棒性性强,计算量小等优点。