齐美彬，朱启兵，蒋建国

(1.合肥工业大学 计算机与信息学院,安徽 合肥 230009；2.合肥工业大学 安全关键工业测控技术教育部工程研究中心,安徽 合肥 230009)

视频监控系统存储了大量数据，但是大部分情况下需要人工来对监控场景中的目标行为和事件做出分析和判断。随着监控技术的发展，人们开始要求计算机能够自动识别监控场景中不同类型的行为。

人体行为识别面临诸多困难和挑战。首先，同一种行为表现各异，没有固定的运动模式;此外，由于背景和光照等环境的不断变化，目标之间经常发生遮挡，使得行为识别非常困难。人体行为识别的本质是三维时空数据的分类问题，即将待识别的行为序列与预先标记好的代表典型行为的参考序列进行匹配。本文首先检测图像中的SURF兴趣点，再根据一定的运动量准则选取能够代表人体运动的兴趣点来描述人体行为。

1 相关工作

人体行为识别通常包括两个步骤：(1)特征提取和图像表示；(2)行为建模和识别。目前流行的特征提取和图像表示方法是局部方法。

局部方法通过许多相互独立的斑块集合来描述观察结果，在计算时采用自下而上的方式，首先检测时空兴趣点，再计算兴趣点周围的局部斑块，最后按照一定规则将斑块组合起来表示人体的行为。局部方法对噪声和部分遮挡的敏感性较小，也不要求严格的背景减法和跟踪。

[1]将描述图像的方向梯度直方图（HOG）扩展到3D。将积分图像的思想应用到视频数据，计算任意尺度下的3D梯度，并基于规则正多面体对3D方向进行量化。……