基于智能信息化的不断发展,对运动场景中前景目标的智能分析变得尤其重要,而运动目标的特征提取与行为识别技术直接影响着智能分析系统的性能和分析效果,同时也是智能监控系统的核心组成部分,所以,运动目标的特征提取与行为识别就成了研究热点。一个完整的智能分析系统包括目标检测、特征提取以及行为识别三部分,完成每一部分的方法有很多种,而研究一种具有普遍性且实用性强的方法显得尤其重要。在运动目标的检测过程中,对当前常用的几种运动目标检测方法进行了深入研究,基于这些方法的不足,本文提出了W4模型改进法与平均值法相融合的目标检测算法。该方法把经典W4背景建模算法提取的图像像素点的最小和最大灰度值的线性加权值与均值法获取的背景融合作为运动目标检测的背景模型,有效地克服了阴影、光照突变时对检测结果的影响。实验结果表明,本文提出算法的检测准确率最高,检测效果最好。运动目标的不同行为有其各自的特点,在提取运动目标特征时,考虑提取维数较少且能够较好反映运动行为的特征值来描述目标,提取了运动目标的速度、质心等运动特征和周长、面积、紧密度、外接矩形框宽高比等边缘特征作为描述目标行为动作的特征向量。为验证各特征对人体行为的描述效果,开展了分析研究,结果证明速度、质心、紧密度以及外接矩形框宽高比4种特征能有效地描述人体行为。在视频图像序列中检测出运动目标后,利用提取的运动特征、边缘特征分析运动目标的行为,计算出特征数据后,通过实验法设定阈值来判别人体行为。实验研究了运动特征、边缘特征以及运动特征和边缘特征相融合的特征对行为识别结果的影响。分析实验结果,可以看出,运动特征与边缘特征的融合特征作为运动行为识别特征时,能够有效地把运动人体的正常直立行走、奔跑、蹦、单脚跳跃和双脚跳跃等行为准确地识别出来,平均识别率达到92.89%,识别效果理想。