随着计算机技术的发展和智能化时代的来临,监控视频中人物行为的智能识别技术日益受到人们关注,人物行为识别算法的重要性也日益突显。人物行为识别算法中最为重要的一步是对人物身体各部分运动轨迹的提取。行为识别结果的正确率与提取的运动轨迹的准确性密切相关。如SIFT、HOG、光流法等许多方法已经被提出用于特征提取,然而在许多场景下仍然难以通过这些方法实现对人物运动轨迹准确、鲁棒地提取。导致人物行为识别技术难以实用化。本课题采用排他性块匹配法(Exclusive Block Matching,EBM)提取人物运动轨迹,并使用轨迹上下文直方图(Context Histogram of Trajectory,CHOT)描述轨迹特征,在轨迹提取和特征描述方面得到了较好的实验效果。为提升识别的准确率,本课题设计了基于词袋模型的人物动作特征分类方法,把整个动作看成由一连串独立的微小动作合成的,对人物运动进行模型化描述。EBM法只适用于静态背景,如今在机器人视觉、智能交通系统、视频监控系统等领域有着许多对动态背景视频中的人物行为进行识别的需求。然而由于易受到照明变化、视点变化、尺寸变化和噪声等若干现象的影响,仅依靠如HSV直方图、边缘直方图、HOG直方图、SIFT特征等视觉特征信息难以实现对人物的准确跟踪。为了实现鲁棒的跟踪,本文对EBM法进行了扩展,提出了一种同时考虑视觉特征信息和结构信息的模板匹配方法,能够对视频中的特定人物实现鲁棒跟踪,并能确定视频中人物的各部分与模板中人物的各部分之间的关系。EBM法和模板匹配法虽然都有着很好的准确性,但是算法复杂度都较高,无法满足实时性的要求。在算法的计算过程中有着很多对大量数据进行相同运算的任务,这类任务非常适合并行计算。而GPU是一种专用于高度并行计算的处理器。本文基于GPU的这个特点,提出了基于CUDA的异构并行计算优化方案,分析了算法中适合并行计算的部分,并通过CUDA C语言的编程,将这些并行化计算任务交由GPU执行。整个算法通过CPU与GPU的协同运算,大幅度提高了计算的速度。最后,经过大量数据的实验验证,得出结论:相比于传统的人物行为识别算法,将EBM+CHOT特征提取描述方法结合词袋模型分类方法应用于人物行为识别中,取得了准确的识别结果;基于视觉特征约束和结构约束的模板匹配算法能对人物实现准确的跟踪,并获得对象和模板之间的对应关系;基于CUDA的并行计算优化方案能够有效地提升本文算法的计算速度,最高提速达到13倍,有很大的应用价值。