人体行为识别具有广阔的应用前景,在智能交通、智能视频监控、各场景下的行人流量检测、行人行为分析等方面是最为重要的一步。本文围绕人体行为识别问题分别研究了人体运动目标提取算法、多尺度梯度方向直方图(HOG)算法和尺度不变特征变换(SIFT)算法与HOG算法进行特征融合,主要工作如下:1.对行为识别运动目标检测的常用方法进行分析,在背景减除法、光流法以及时间差分法的基础上分析其优缺点和适用场景。针对三帧差分法中存在的空洞现象以及背景减除法对场景中动态因素敏感的缺点,本文提出一种将三帧差分法和混合高斯背景建模进行加权结合的改进前景目标提取算法,使得在复杂多变的场景中仍然能够提取出较完整的目标。2.在HOG算法中,每个不同尺度的cell对行为识别的结果产生一定的影响,并且单尺度HOG特征所包含的信息不够完整。本文提出一种能够充分利用人体行为信息的多尺度HOG特征融合识别方法。实验表明多尺度HOG特征融合比单尺度HOG特征有更高的识别率。3.由于单一特征不能够完整准确的表征所有图像信息,而且单一特征往往受到人体外观、环境、摄像机设置等因素影响而识别效果不佳的问题,所以本文提出一种多特征融合的行为识别算法,通过比较不同特征的特点和各自优缺点,选取SIFT特征和HOG特征进行融合,再利用支持向量机(SVM)完成特征分类。实验结果表明,该算法比单一特征算法具有更好地识别效果,同时也能更好地适应光照等外部因素。