视频中的人体动作识别正在受到越来越多的关注和研究,广泛应用于各个重要领域,例如智能视觉监控,人机交互以及基于内容视频的注释或检索等。由于单个视角下的人体动作识别存在一定的局限性,例如生活中常见的人体局部遮挡情形、光照因素以及动作识别精度。本文提出一种基于多视角特征的人体动作识别方法。在执行过程中,从多个视角可以得到一个视角独立的人体动作表示,为了捕获人体在不同视角下的动作,应用多个视角下的相机来捕获。人体的运动动作通常被描述为连续的人体姿势序列,提取人体动作的感兴趣区域(Regions of Interest)可以得到人体动作姿势向量,这样的二维图像在视频中应用图像切割技术可以获得。一般运动动作是用连续的动作姿势向量序列表示,本文将对提取到的人体动作连续姿势向量离散化为N个日常生活中的基本姿势动作向量,通过K-means聚类算法将人体动作的基本姿势向量划分为N类,人的运动动作由一系列离散时间序列图像帧表示,离散后姿势序列中每一帧表示运动动作过程中的一个特殊动作姿势,即一个人体的完整运动动作由基本运动模式通过独特组合而成;然后对获得的动作姿势向量进行模糊向量量化处理得到相应动作实例的隶属度向量。极限学习机ELM(Extreme Learning Machine)是一种相对快速的单隐层前馈神经网络训练算法,传统的神经网络训练算法需要对中间隐藏层输入权值和偏置进行调整,而极限学习机的输入权重和隐藏层的偏置值是随机选择的,训练是为了得到中间隐藏层的网络输出权重。在动作训练阶段,将部分已标记动作实例进行特征提取后输入到极限学习机中训练中间隐藏层的输出权值。在动作测试阶段,将未标记的测试动作视频进行上述步骤的特征提取后输入到经过动作训练后的极限学习机中,获得单个视角下的人体动作分类结果。同样的多个视角下采用对各个单视角下的动作分类结果进行投票原则得到多视角下的最终动作分类结果,实现对多个视角下的人体动作分类。本文还将对输入到极限学习机中的动作特征图像数据进行数据降维,可以有效减少训练时间,还优化了训练阶段和测试阶段的输出误差。本文在KTH和UCF50动作数据集上分别进行单视角和多视角下的人体动作分类实验,经过实验证明本文提出的基于多视角特征的人体动作识别方法在人体动作识别领域的有效性,与其它动作识别算法的分类结果进行对比表明本文算法的优越性。