随着人工智能技术的发展,人体行为识别成为机器人视觉领域的重要研究方向之一,被人们广泛应用于安防监控系统、医疗诊断监护、人机交互等领域。如何使得机器人能够识别人体的不同行为是服务于人的前提条件,现实中人体的不同行为必然会受到各种环境因素的影响,使得机器人准确识别人体不同的行为成为一个值得研究的方向。本文围绕着人体行为的识别任务展开一系列研究。简要介绍了人工智能在人体行为识别方面的研究状况、应用和前沿问题,分别从底层的目标检测与识别算法,人体关键点的特征提取,人体行为识别模型的设计,高层的目标检索与人体姿态的定性时空关系表示,人体行为的潜在表示等方面进行深入研究。本文的主要内容如下:(1)为了提高目标检测与识别和人体关键点检测与识别的精度,采用IoU的方法作为衡量目标检测精度的性能指标,并对IoU方法进行了推广和改进,重新设计了神经网络结构,利用不同的数据集作为数据样本进行训练研究。在人体关键点特征提取的研究中,采用了自下而上的特征提取方法,实验证明,基于重新设计的神经网络结构和特征提取的算法,能够适应人体关键点的特征提取。与其它模型对比,本文实施的方法不仅提高了目标检测与识别和人体关键点的检测与识别的准确率,还提高了算法的应用能力。(2)重新设计了人体行为识别的特征提取算法模型。将人体的检测框与人体的骨架相结合,最后利用分类识别的算法将人体行为分为不同的种类,实验证明,与其它人体行为识别模型相比较,该模型能够提高人体行为识别的准确度。(3)为了对人体行为识别作进一步的研究,利用Kinect设备获取了室内场景的信息,采用凹凸分割算法对目标进行分类,改进了凹凸分割算法,并对目标进行特征提取,使用词汇树模型表示信息特征,从中分割出人体,利用定性时空关系表示算法对人体姿态进行分析,改进了定性空间关系算法。基于定性空间关系的人体行为特征,抽象成有向区间图,将人的行为利用编码的方法描述出来,最后,利用狄利克雷分配的方法对人体行为进行低级表达,识别出人体的不同行为,并且,对于人体发生的不同行为,计算出人体不同行为的准确性,完成对人体不同行为的识别任务。本课题围绕着人体行为识别这一主题,采用了深度学习的方法,并进一步研究了在无监督情况下定性空间表示的方法,对于人体行为识别准确性的提高和人体行为识别的理解具有一定的研究与应用价值。