视频人体行为识别逐是基于视觉的人体运动分析领域的一个研究热点,它在视觉监控系统、智能家居应用、体育运动分析等多方面都具有广阔的应用前景。目前,在银行、商店、停车场等处广泛应用的摄像机,通常只用在异常情况发生后,通过回放录像查找可疑人员,无法实时报警。若能对视频中人体行为自动进行识别,则可以在事件发生当时给出提示,避免损失产生；同时,人体行为识别也能给业界提供更多的信息摄入手段,比如一种全新的人机交互模式。总之,人体行为识别拥有光明的前景以及巨大的运用价值。目前,各路学者都在对人体行为识别领域做着卓越而深入的研究。不过,业界大多只基于单摄像头的下的人体运动分析以及识别。因为数量以及角度的缘故,单视角有明显的弊端。第一、对光照较为敏感。由于固定视角,因此,光照的变化可能会较大程度的影响到识别结果；第二、遮挡。由于单视角拍摄的角度固定,因此在其拍摄方向上极有可能出现目标被遮挡的情形,进而影响前景的分割等等；第三、准确性不高。在当前角度下,未必能够捕捉到最理想的行为特征。为了克服以上几点,本人决定研究一种多视角下联合决策的行为识别算法。通过两个不同视角的摄像头,有效排除光照、遮挡、角度等其他因素的影响,尽可能提高行为识别的准确性。在本人的实验当中,在现有的单视角行为识别的基础上,首先,通过比较GMM混合高斯模型与背景差分法,确定在当前实验环境下,背景差分法最为合适的图像分割方法；其次,通过提取出的前景,选取一定数量的图像序列作为训练集,利用k-means分类算法自动提取关键帧,并将提取出来的关键帧组合成相应的人体行为模板库,在试验中,主要是行走、下蹲、挥手三种；最后,利用Borda投票和牛顿冷却定律,多视角联合决策,通过比较结果当中各种行为的识别概率,确定最后的行为状态。通过一系列研究和实验,在复杂场景下,尤其是光照变化较为频繁的情况下,该算法能够较好的分割出人体,捕获相应的Hu矩特征,拥有较高的识别率。与此同时,积极将该算法运用于ATM智能安防领域,预防并减少犯罪行为,具备较大的实践价值。