作为计算机视觉任务的重要研究内容之一,人体动作识别具有极大的研究价值和广阔的应用前景,如视频监控、人机交互、智能监护等领域。然而,由于类别多样化、视角变化、背景复杂、类间差异等干扰,以及在研究中对动作类别的不明确定义,给人体动作识别研究工作带来极大的困扰和挑战。在对人体动作实现准确识别中,动作信息的特征表示是相当关键的一个环节。本文关注于人体动作的特征表示方法,在特征提取方法和多特征融合策略这两个方面展开研究。在特征提取方面,提出了一种基于运动边界稠密采样及运动梯度直方图的人体动作识别方法,用多个特征从多个方面对动作信息进行表示。由于多个特征在动作信息表征上的侧重点各有不同,随后提出了基于多核学习的多特征融合策略来突出不同特征在整体动作识别的作用程度,以达到最优的识别效果。本文主要研究内容如下:(1)研究一种基于运动边界稠密采样及运动梯度直方图的人体动作识别方法。为避免在特征点采样时受到相机运动、背景信息冗余等干扰,将运动边界采样方法融入到改进型的稠密采样策略当中,去除大量无效采样点,减少轨迹数量。同时,将基于时间和空间推导的运动梯度直方图与稠密特征相结合,补充稠密特征在时空上对动作信息的表达,达到增强特征表达的效果。再利用分类器对编码后的特征进行训练学习得到分类模型,实现对人体动作的有效识别。实验结果表明该方法在加快算法运算速度的情况下有效提升人体动作识别精度。(2)研究一种基于多核学习的特征融合策略的人体动作识别方法。人体动作信息包括动作的外观、轨迹、时空性等方面,这就需要不同的特征进行表征。但是不同的特征在动作识别中的贡献程度各不相同。为实现最有效的特征融合,本文采用多核学习的特征融合策略,将特征组合形式转换为各个特征对应核矩阵的线性组合方式,通过核矩阵的权重值突显出不同特征在人体动作表示上的重要程度,从而将包含更多动作信息的特征的作用发挥出来。实验结果表明,本文提出的方法更深层次地挖掘出各个特征之间的关联关系,以数据驱动方式实现多个特征的最优组合,从而进一步提升动作识别效果。