行为理解是一个有前瞻性的研究方向,其涉及到传感器、图像处理、模式识别、人工智能等多个学科。目前,在智能家居和智能穿戴设备的热潮中,行为理解既是“智能”的体现,也是亟待突破的关键技术之一。本文以家庭环境下人的行走轨迹为切入点,重点研究了家庭环境下人的行为表示与行为理解,设计并实现了从底层轨迹获取到高层轨迹分析推理的整套行为理解方案。本文的研究工作主要体现在在以下几个方面：(1)针对轨迹获取问题,设计了一套基于视觉的轨迹获取方案。该方案将人体分为“行走中”和“停留中"两种状态。“行走中”采用混合高斯背景模型进行人体检测,“停留中”结合粒子滤波与均值漂移维持人体搜索框,然后基于双目视觉进行人体定位。该方案与现有的基于穿戴式传感器的定位系统互为补充。在实验室智能空间环境下,完成了该轨迹获取方案的有效性验证,并采集了大量轨迹数据,为下一步研究奠定了基础。(2)针对轨迹分割和行为分层不能自主进行的问题,提出了“滑动窗口分割”和“关键点分割”相结合的层次化轨迹分割策略,该策略能自动划分轨迹的行为层次(行为层次包括Action层和Activity层)。Action层侧重人体瞬时运动状态,故采用“滑动窗口”分割轨迹时效性最高的一段；Activity层更关注复杂活动的目的性,故采用“关键点”分割以凸显轨迹的功能性。系统能依据轨迹特征实时的自动选择对应的分割方式,即轨迹行为层次的自动划分。(3)针对Action层上实时预测轨迹动向的功能需求,提出了一套基于隐马尔可夫模型(Hidden Markov Model, HMM)的在线轨迹分析方案。该方案用“完整轨迹”训练模型,用“窗口轨迹”评估模型,相应地调整HMM初始概率阵为均匀分布,更多地关注隐藏状态的转移规律和观测值的对应关系,忽略初始状态的影响,以实现“窗口轨迹”与“完整轨迹”的匹配。该方案还对模型进行了进一步的分析及修正,使得一个模型能同时分类出对应的“正向”和“逆向”轨迹,减少了HMM学习和评估的耗时。(4)针对Activity层上描述并识别复杂行为的功能需求,提出了“二维栅格轨迹直方图(Two-Dimension Grid Trajectory Histogram,2D-GTH)"的行为表征结构。2D-GTH结构简单,基于Action层的分析结果建立,能够很好地概括Activity层的轨迹特征。相应地,还提出了“栅格轨迹概率地图(Grid-Trajectory Probabilistic RoadMap, GTPRM)", GTPRM以地图的形式表现了栅格轨迹概率统计模型,是直观理解 2D-GTH的一种工具。最后,在不同直方图评价体系下,对基于2D-GTH的复杂行为识别的有效性进行了验证。在以上工作的基础上,设计并开发了相关软件。经过大量实验证明,本文提出的基于行走轨迹的行为理解方案在实时动向预测和复杂行为分析上均有良好的效果。