行为是生物用以适应外部环境或自身变化的各种躯体反应的总和。其识别是计算机视觉、行为心理学等领域的一个非常有意义的研究课题。人体行为识别是行为识别中一个非常重要的研究方向,目的是期望通过人体外表表现来揭露人的各种内在意图。基于视频的人体行为识别是人体行为研究领域中一个重要的研究分支。它广泛应用于远程遥控、智能交通、机器人、监控系统、运动分析、人机交互等领域,具有潜在的经济和社会价值。由于该方向研究涉及人工智能、模式识别、心理学、图像处理、人体行为表征等领域知识,目前所取得的成果仍然存在许多难于攻破的技术难题。本硕士论文针对基于视频单人的人体行为识别中所涉及的前景人物提取、特征提取和选择、分类算法设计等关键技术展开研究。论文的主要工作包括：(1)鉴于已有所建立的测试数据库属于低分辨率,而现有数字设备的分辨率大都比较高,导致原有识别算法应用于高清视频难以达到满意的效率。为此,本文采用索尼摄像机拍摄室内的人体行为视频片段,构成一个高分辨率的视频素材库。其中视频帧率为30帧/秒,分辨率为1440*1080。数据库中的人体行为动作类型包括蹲下、起立、挥手、摔倒等。(2)对于前景人物提取这一预处理关键技术,针对常用形态学去噪方法存在前景人物尺寸变形和较大噪声区域滤除效果不理想的缺点,本文提出一个基于分层筛选的前景图像去噪算法。该算法利用前景区域和噪声区域的统计差异性为基础,采用从粗筛选到细去噪的设计思想,定义独立连通区域,建立搜索规则,采用阈值去除前景图像中的噪声。实验表明本文提出的方法能够提高噪声去除效果,而且减少了前景人物变形。(3)对于特征提取和选择这一关键技术,本文提出一个新型的全局特征模型,称为运动累积特征向量(记为AAFV)。该特征以运动能量图(MEI)为基础首先定义了运动累积图,并使用网格分块和频域分析法对运动累积图进行处理,以获得一个既保留前景图像的空间信息又能反映时间信息的全局特征向量。(4)对于分类算法设计第三个关键技术上,本文设计出两个崭新的人体行为分类算法。算法1首先以MEI为依据对行为进行初始聚类；其次,利用AAFV和局部特征设计了以SVM算法为核心的分层识别算法。算法2针对人体行为动作的复杂性和多样性,提出利用训练样本集中不同人体行为类别的AAFV特征类内平均值作为预判决的依据,筛选具有高可能性的少量行为类别；最后对于可疑行为类别融合AAFV和局部特征设计一个分层识别算法。实验结果表明本文提出的两个算法能够识别精细的人体行为,而且能够降低算法空间复杂度,提高识别效率。