随着计算机技术的快速发展,智能设备功能的健全,计算机视觉技术也随之快速发展,由此产生的包括智能视频监控在内的各项研究成果都被广泛应用于日常生活中,准确识别人体的动作成为应用的关键。动态贝叶斯网络是最典型的概率图模型之一,可以用于表示随机变量间动态的因果关系,而人体动作就是一个变化的过程,所以,在本文中将动态贝叶斯网络用于动作识别,主要做了以下两方面的工作。第一个工作是基于动态贝叶斯网络的人体动作识别,该方法用到的数据库为MSR Action3D人体动作数据库,对该数据库提取位置特征和运动特征,对这两种特征数据进行归一化、PCA降维处理,就得到动作训练过程所需要的数据。随后将这些特征数据作为观测数据,将两种特征分别看做一个高斯混合模型,建立一个动态贝叶斯网络,紧接着就是参数学习过程,采用的参数学习方法是不完整数据集下的EM参数学习算法,该方法可以较准确的估计参数,从而提高分类过程的识别率。该方法求得的交叉测试的识别率高于其他的参考文献,并且对于复杂动作数据集AS3来说识别率也有所提升。将概率图模型用于动作识别的第二个工作是基于训练数据的初始化运用到动作识别,该方法不需要反复训练找到合适的模型参数,从而大大减少动作训练的时间,解决了随机初始化带来的耗时问题。该方法首先把观测数据进行时间分隔,然后分别求每个子序列的平均值,这个平均值即为K-means算法的初始化中心,接着初始化高斯混合成分的参数,随后参数学习,概率推理,完成动作识别的整个过程。相比于随机初始化方法,该方法提升了识别率,并且对于复杂动作AS3来说,可以达到随机初始化找到的最高识别率,可以实现识别率与耗时的均衡,更能满足实际应用的需求。