论文通过对人体行为分析与识别技术细致的研究，结合老人行动缓慢及活动场所的有限性等特点，给出了相对应的比较实用的行为预处理与识别方法，这些方法兼具了简单性与最终的识别性能，又对老人行动缓慢等的特点具有很好的适用性，取得了比较好的识别效果。论文主要做了以下几个方面的工作:　　1.在视频预处理方面:利用所给时间差分Itti算法对视频序列处理得到显著图，然后对显著图进行聚类，并二值化，之后将提取的行为图像轮廓与原图像掩膜，最后将其与通过时间差分算法得到的矩形区域进行‘与’操作，得到人体运动行为的目标区域和阴影区域。此种方法克服了时间差分法的”双影”和“空洞”现象及Itti算法易存在噪声干扰区域的缺点，同时此算法不必进行背景建模便可得到较准确的运动人体区域，因而具有很高的实用价值。　　2.在阴影去除方面:为了有效的去除阴影区域，给出LBP-K均值阴影去除方法。首先，对含阴影的视频序列运用均值平均法建模得到背景区域。然后计算阴影帧与背景帧的LBP值，并做差。最后，利用像素的LBP值之差与其所处位置坐标作为两个输入参数，进而采用K-均值聚类方法分离出阴影区域与目标区域，从而更好的去除阴影。此种方法对均值平均法建模得到的背景区域的精确性没有太高的要求，同时又因采用了位置坐标，使位置相邻的像素区域能够最大限度的分为同一类，而对孤立噪声点能够很容易过滤掉，因而当人体着装与阴影区域纹理值差别不大时，也能很好的分离出阴影区域与目标区域，从而使其具有较好的鲁棒性。　　3.在KFLD-SIFT特征提取方面:针对人体行为识别领域中视频序列所包含的大样本及多特征问题，提出KFLD-SIFT局部特征提取算法，对不同初始尺度下的关键点周围的多特征进行降维。本文在最后一步计算描述子的时候将每个关键点周围的SIFT特征降为16维，事实证明这16维的特征因利用了样本的类内、类间特性，因而更利于分类。通过以上方法最终得到将每个样本降维到16*16维的特征向量。所提算法能够得到比SIFT更少且更利于分类的关键点特征。　　4.在运动轨迹特征提取方面:本文主要选择目标区域宽高比及质点运动轨迹特征作为行为识别的特征值，它们都是通过前面介绍的时间差分法定位得到人体矩形区域基础上，基于外接矩形框的特征数据。数据处理后使每个样本的目标区域宽高比值及质点运动轨迹特征分别为10维。　　5.在行为识别方面:对KFLD-SIFT局部特征提取算法及运动轨迹特征提取得到的每个样本包含的总共（16*16+10+10）维数据依次排成一列，采用RVM模糊积分融合算法对行为分类。RVM模糊积分融合可将本文所构造的三个RVM组合分类器的分类结果利用模糊积分进行融合，这样可以充分利用每个组合分类器的结果在最终分类中的不同作用，最终得到最准确的识别结果。对复杂场景中的人体行为识别结果表明，此算法可有效进行决策层融合。