在计算机视觉研究领域,行为识别是重要的研究分支。行为识别的应用非常广泛,比如智能监控、智能家居以及智慧课堂等等。在人体行为识别中运用机器学习的方法已经慢慢成为一种发展趋势。但是,在研究的过程中仍然存在一些困难与挑战。比如在人体行为识别中计算量大导致处理耗时,容易陷入局部最优值导致分类精度不佳。本文将超限学习机算法(Extreme Learning Machine,ELM)应用于人体行为识别中,主要解决ELM算法在行为动作识别分类中存在的稳定性差、分类精度较低、鲁棒性比较差的问题。分别结合集成学习的思想和深度学习的思想,提出三种基于ELM的人体行为识别分类方法。具体的研究内容如下:(1)对于ELM在分类中出现分类结果不稳定性,基于集成学习思想提出E-GSA-ELM算法。利用引力搜索算法(GSA)找出ELM的最佳输入权重和隐藏层的偏置,解决随机产生参数导致分类结果不稳定的问题。结合神经网络的集成学习思想,将多个GSA-ELM分类器当作基分类器,采用结合简单投票法和最大概率法的策略对所有基分类器进行集成,得到一个强分类器。实验结果证明该算法不仅保持了ELM算法在分类中效率快的优势,还提高了分类的精度和分类结果的稳定性。该算法的不足之处在于分类的精度还不足以满足应用的需求。(2)为了进一步解决(1)中算法存在的不足,提高人体行为识别分类的精度,本文引入AdaBoost算法作为框架,将IGSA-ELM作为基分类器,提出基于区间的Adaboost-IGSA-ELM算法。该算法极大降低了分类器陷入局部最优和过拟合的风险,进一步提高了分类精度。仿真结果证明该算法在人体行为识别分类中分类精度高、耗时少,且分类相比(1)中的分类算法稳定、分类精度更高。(3)利用深度学习这一前沿的图像处理理论,结合深度学习中卷积神经网络算法(CNN)和ELM算法中的各自优势,提出基于深度学习的CNN-KELM算法。特征提取层的设计使用CNN中交替连接的卷积层和下采样层,并将CNN的全连接层替换成核ELM构造分类层。最后,通过实验证明了该分类算法比前面两种算法在泛化性能和分类精度等都具有优势。综上所述,本文将提出的三种基于ELM的人体行为识别分类方法应用在两个不同的数据集,并在不同的应用上验证了三种算法的可行性以及使用价值。通过和其他方法在不同方面做比较,三种算法在实验的过程中体现了ELM的显著优势即充分发挥了其学习速度和分类的效率。本文提出三种算法进一步提高了人体行为识别分类的精度,改善了分类效果,使得行为识别分类算法的鲁棒性和稳定性得到增强。