1、近年來，隨著視頻采集技術的發(fā)展，越來越多的人們使用攝像機記錄日常的生活，使得視頻數(shù)據(jù)正成爆炸式增長。如何有效地對視頻數(shù)據(jù)進行分析已經(jīng)成為計算機視覺領域一個重要的研究課題。而作為大多數(shù)視頻內(nèi)容的主體，人的行為的分析則成為視頻內(nèi)容分析眾多分支中的最關鍵的問題之一。人的行為分析具有非常重要的應用價值，如智能人機交互，視頻監(jiān)控，遠程醫(yī)療等等。
　　本文將以人為主體的視頻數(shù)據(jù)作為研究對象，首先提出一種有監(jiān)督的學習方法來分析人的行為，對較容易

2、標注且類內(nèi)散度相對較小的單人的行為進行分類。然而，有監(jiān)督的學習方法并不適用于分析所有人的行為，比如類內(nèi)散度較大的群體行為，因此，提出了一種無監(jiān)督的行為分析方法，旨在有效地實現(xiàn)有意義的群體行為模式的挖掘。
　　為了實現(xiàn)有監(jiān)督的單人行為，即動作的分析，提出了一種基于時空約束的動作分類方法，在比較兩個動作的相似性時，不僅考慮表觀特征的匹配，同時考慮時空結構的約束。首先采用一種隨機的特征量化方法，通過結合多個角度的量化結果得到表觀特征之間

3、更全面且準確的匹配結果。接著，將表觀特征點的匹配映射到一個時空偏移空間中，來間接地獲得點之間存在的潛在的時空結構的匹配，從而得到動作間更加準確的相似性度量。最后，采用KNN分類模型來完成動作的分類。在KTH動作數(shù)據(jù)集和YouTube動作數(shù)據(jù)集上的分類結果驗證了本文提出的有監(jiān)督的基于時空約束的動作分類方法的有效性。
　　在群體行為的分析中，提出了一種無監(jiān)督的手段來自動地探索群體行為數(shù)據(jù)集中隱含的運動模式，并將其劃分成多個有意義的群集

4、。受到人類視覺系統(tǒng)可計算模型的啟發(fā)，提出了基于時空顯著度的特征表達方法。該方法不遵循傳統(tǒng)的特征提取中的一致性原則，而是模擬視覺關注的機制，從輸入數(shù)據(jù)中不一致地采樣，編碼行為數(shù)據(jù)流中人類關注的運動成分。結合時空池化操作，獲得了更加緊致且魯棒的特征表達。最后，在獲得的行為之間的相似關系矩陣上執(zhí)行 N-Cut聚類方法，從而得到不同行為模式的聚集。在自行構建的HIT-BJUT數(shù)據(jù)集和另一個公開的UMN數(shù)據(jù)集上的實驗結果證明了本文提出的無監(jiān)督的群