运动人体行为分析是计算机视觉领域最活跃的研究课题之一,在运动分析、智能视频监控、虚拟现实、人机交互等领域具有广阔的应用前景,其核心是从视频中提取有效信息对人体行为进行检测、跟踪以及最终的识别。但是在实际应用中仍存在许多难题,比如在复杂环境下的前景目标检测性能问题,兼顾样本信息同时降低特征维数的特征选择提取问题,保证高维非线性样本的分类实时有效性问题等。因此,研究基于视觉的运动人体行为分析具有非常重要的理论意义和实用价值。本文针对运动人体行为分析中的关键技术及存在问题有以下研究成果:1.在查阅与研究了相关运动人体检测算法文献的基础上,针对复杂环境下的前景提取性能问题,以背景减除法为基础,运用码书模型实时更新背景。实验表明,该算法对于复杂环境下的运动检测实时有效,同时对背景扰动、环境变化等不利因素具有很强的鲁棒性。2.分析了目前广泛应用于特征选择与提取的主成分分析算法(PCA),针对该算法的线性本质局限,通过非线性函数转入核空间后进行PCA处理,保留了样本的非线性信息;另外,运用加权策略,提高了主要特征对于识别的贡献。实验表明本文提出的加权核PCA算法所提取的特征与原算法相比,在降低相同维数的基础上能更准确的表征样本信息。3.基于视觉的行为识别是典型的高维非线性样本分类问题,训练样本的数量直接影响分类的正确率和实时性。针对这一问题,选用了两类经典分类器:K近邻和支持向量机(SVM),进行实验比较,并依据欧氏距离对K近邻算法进行加权改进,同时运用一对多策略构造多类SVM。实验结果表明,支持向量机对于行为识别这类小样本非线性分类问题具有很强的泛化能力,取得了较好的识别效果。4.综合本文的运动人体检测、特征选择与提取和行为识别算法设计并构建了基于视觉的人体行为识别系统,实现了视频的录制与读取、运动人体检测、特征选择提取、分类器训练与识别等功能,为本文提供了可靠的实验研究平台。