视频序列中的运动人体检测与行为识别是一项涉及计算机视觉、模式识别及人工智能等多领域的研究课题,因其在商业、医疗和军事等领域中广泛的应用价值,一直是人们研究的热点。然而,因为人体行为的多样性和非刚性及视频图像固有的复杂性,所以要提出一种稳健而又实时准确的方法仍然是一个极具挑战的工作。本文主要对人体运动目标的检测和行为识别技术进行研究。在运动目标检测方面,采用K均值聚类的思想对混合高斯模型进行初始化,节约了存储空间并使初始化的高斯模型更符合背景场景模型。根据场景中不同区域不同时间所需要的高斯模型的个数不同,对混合高斯模型中高斯成分的个数进行了自适应的选择,将多余的高斯成分去除,节约了存储空间并提高了检测的速度。在运动目标阴影检测和去除时,针对现有阴影检测方法的不足,提出采用勿需提前设定阈值的改进的自适应阴影检测方法,在阴影检测时,采用只对混合高斯模型检测出的可能为运动目标或阴影的区域进行阴影的判断和去除。既保证了阴影检测的准确性,又能提高算法的实时性。针对现有基于Radon变换的特征提取和运动描述不具有缩放不变性的不足,提出采用改进的Radon变换提取视频序列每一帧中运动人体区域最小外接矩形的Radon变换特征,并提取外接矩形的高宽比。该方法不仅具有平移不变性,而且具有缩放不变性。在特征提取和运动描述之前不再需要缩放归一化处理,使特征的提取和运动的描述更具有鲁棒性。有利于后续人体行为分析识别。论文提出了一种基于分段二维主成分分析(分段2DPCA)的人体行为识别方法。提高了行为识别的鲁棒性和准确性。实验结果表明,采用本文方法可以有效的进行人体行为识别,不仅在识别率上有了较大的提高,而且在识别时间上也有较明显的降低。