人体行为识别是人工智能领域的一个重要分支,近年来受到机器视觉领域研究者的广泛关注,相关科研成果正在为人们的生活带来全新的交互方式。人体行为识别的基本步骤是:1.运动检测和跟踪,目的是从视频序列中抽取相关的运动特征;2.人体姿势的估计和识别,目的是根据运动特征建立运动模型,从而进行人体行为识别。鉴于以前的研究基础,本文主要研究第二个步骤。目前为止,用于人体行为识别的隐马尔可夫模型(HMM)大多使用的是全连接HMM(FCHMM)模型,得到了比较令人满意的识别结果。然而,这些方法只是主观地选择状态的数目并且机械地使用了全连接结构,没有考虑人体行为特性和HMM布局设计之间的关系。本文针对这个问题,采用一种新的基于前中后三状态半连接HMM(BME-SCHMM)的人体行为识别方法,将人体行为特性与HMM的参数设计相结合,通过限制状态数目和状态转移条件,提高人体行为识别的准确率并降低运算复杂度。在算法的具体实现过程中,为每个状态的输出概率引入了权重的概念。通过对以色列Weizmann人体行为数据库和瑞典KTH人体行为数据库进行试验,在与传统的基于全连接HMM的人体行为识别模型比较之后,得出结论:本文的方法能够在得到相似识别率的前提下,可以减少状态数目,并限制了状态转移条件,因此提高了计算性能。该算法的复杂度低,快捷有效,具有较好的通用性,比现有的人体识别算法具有更好的性能。