人体行为识别通过分析视频或图像数据,从中提取出数据中所包含的与人体行为相关的信息,建立了底层数据和高层的行为语义理解之间的桥梁。它在智能视频监控、人机交互、视频索引与检索、体育场景分析等领域有广泛的应用前景。作为一个新兴的视频和图像理解问题,人体行为识别的研究融合了计算机视觉、模式识别和认知科学等学科的研究成果,对于行为识别的研究将对这些相关领域研究起到重要的推动作用。由于人体行为识别研究具有广阔的应用前景和理论研究价值,近些年来,在这个研究领域产生了丰硕的研究成果。然而,这门研究还处在启蒙阶段,已有的研究方法无论是在性能上还是在方法的完善程度上都并不令人满意,与行为识别方法实际应用的需求还存在着较大的差距。本文通过对行为识别的实际应用需求和已有研究方法的分析,总结了人体行为识别方法中存在的几个关键关键性问题:(1)高效的有判别力的人体行为的特征提取方法;(2)灵活的人体行为表示模型的构建方案;(3)计算复杂度问题和(4)高效的行为分类算法设计问题。基于这些问题,我们从特征学习,行为建模和分类算法三个角度出发,在已有工作的基础上提出了新的方法和思路,本文的主要贡献是:1.提出了一种快速高效的行为描述特征和相应的识别算法。从行为视频帧的基于简单特征的表示中学习出鲁棒的、有区分能力的局部特征作为行为描述子,通过使用线性分类器(boosting)综合这些描述子的判别能力来实现快速分类。这样,我们同时保证了特征计算的简单性和识别的有效性。并且,这种特征学习的方法还可以拓展到许多其他的应用中,比如无监督的异常事件监测和序列事件监测。2.提出了一种层次化的行为语法模型。其主要特点是:(i)该语法模型以行为视频的局部特征(比如时空兴趣点)表示为基础,通过数据挖掘的方法来学习局部特征的高阶统计特征,即从局部特征的时空分布中学习出能够区分不同行为的,有一定统计意义的局部特征的时空分布结构。(ii)使用语法规则的形式来组织这些学习到的分布结构,以统一的语法模型来描述行为的各种变化。(iii)从语法模型中提出判别式的分类计算模型,使我们的方法在具有产生式语法模型的描述能力的同时具备了判别式模型的判别能力和计算效率。3.提出了一种新的基于判别模式的随机森林分类器算法(简称EPRF)。本算法通过分析随机森林分类器的弱分类器的输出的统计规律,从中提取出分类规则,并根据这些分类规则的判别能力给他们附以权值。通过这些分类规则的加权投票决定最终分类结果。用分类规则组合弱分类器,一方面提升了分类精度,另外也消除了弱分类器在不同任务中的重要性差异引起的统一权重投票的不合理问题。综上所述,本论文从人体行为识别的几个重要问题出发,研究和提出了针对这些问题和现有方法缺陷的方法和改进方案。经过实验验证,我们的方法提高了已有方法的识别性能,具有很好的应用潜力。