基于视觉的人体行为识别是计算机视觉和机器学习等领域的热门研究方向,在智能监控、人机交互等方面有着十分重要的应用价值。由于运动场景的复杂多变,行为表现的个体差异等问题,使得人体行为识别的过程仍存在挑战。本文在运动人体检测、特征提取和描述、行为识别三方面进行了分析研究,主要工作和成果如下：1.在运动人体检测上,选择高效快速的ViBe方法进行背景建模和前景检测,针对ViBe方法中距离阈值为固定值,不能适应多种场景的问题,提出用最大类间方法得到自适应阈值,使得改进的ViBe方法具有更好的适应性。2.在特征提取和描述上,针对采用单一外形特征或运动特征识别率较低,而现有的混合特征提取方法过于复杂的问题,提出一种基于剪影和光流的快速特征融合方法,在提高了识别率的情况下,降低了特征提取的复杂度。3.在行为建模上,针对现有GMM-HMM模型对短序列视频识别率较低的问题,提出将已成功应用于声音识别中的SVM-HMM模型应用于人体行为识别。该模型将GMM-HMM模型中的GMM模块使用SVM代替,结合SVM相对GMM更强的分类性能和HMM对时间序列的建模能力,使得相对于GMM-HMM模型,SVM-HMM模型对短序列和长序列动作视频都有较好的识别性能。4.综合以上的研究,针对校园安全监控系统的应用环境,设计实现了人体异常行为识别系统。系统能在固定场景,侧面视角下识别出摔倒、弯腰下蹲等异常行为。