1、人體行為分析是計(jì)算機(jī)視覺研究領(lǐng)域備受關(guān)注的前沿方向。目前，大多數(shù)行為識別和分析都是針對特定異常行為進(jìn)行的，需要事先根據(jù)應(yīng)用環(huán)境的不同，定義所要識別與分析的特定行為。面向未知環(huán)境或未知行為，這些人體行為分析方法將失去有效性。因?yàn)槲粗h(huán)境中的光照、陰影和運(yùn)動(dòng)物體等外界變化因素，以及人體姿態(tài)的多樣化是人體行為分析所面臨的困難。直到近幾年隨著深度傳感器的發(fā)展，特別是可以從未知環(huán)境中檢測到人體，并提供人體骨架數(shù)據(jù)的Kinect傳感器的出現(xiàn)，引起人

2、們從深度圖像中分析人體行為產(chǎn)生了極大興趣。本學(xué)位論文提出了基于深度圖像的人體行為識別方法和基于層次聚類的人體行為模式分析方法。
　　首先，建立了用于行為識別的先驗(yàn)運(yùn)動(dòng)模型。以Kinect提供的關(guān)節(jié)點(diǎn)數(shù)據(jù)作為姿態(tài)特征，采用Levenstein距離改進(jìn)了流形學(xué)習(xí)算法中的拉普拉斯特征映射算法。對多人行為數(shù)據(jù)進(jìn)行均衡化處理得到了訓(xùn)練數(shù)據(jù)，再對訓(xùn)練數(shù)據(jù)通過改進(jìn)的拉普拉斯特征映射算法映射到二維空間得到待識別行為的嵌入空間，并結(jié)合高維訓(xùn)練數(shù)據(jù)建

3、立了先驗(yàn)運(yùn)動(dòng)模型。
　　其次，采用粒子濾波算法對行為進(jìn)行識別，并構(gòu)造了行為表示符號序列。通過重新設(shè)計(jì)粒子動(dòng)態(tài)模型和粒子觀察模型，確定行為識別策略，并且在先驗(yàn)運(yùn)動(dòng)模型的基礎(chǔ)上提出了基于粒子濾波算法的行為識別方法，然后根據(jù)行為識別結(jié)果構(gòu)造出了行為表示符號序列。
　　最后，提出了人體行為模式分析方法。以改進(jìn)的對稱KL距離為相異性測度設(shè)計(jì)了層次聚類算法，對行為表示符號序列進(jìn)行聚類。借助于聚類結(jié)果的信息熵，設(shè)計(jì)了行為模式度量指標(biāo)(Be

4、havior Patterns Metrics，BPM)，并以此為基礎(chǔ)提出了人體行為模式分析方法。
　　實(shí)驗(yàn)結(jié)果表明，本學(xué)位論文提出的基于粒子濾波算法的行為識別方法，對喝水、撓頭、伸展運(yùn)動(dòng)、鼓掌、撿東西等5個(gè)行為都有很好的識別效果，總體識別率達(dá)到了92.4％，驗(yàn)證了本文提出的行為識別方法對重復(fù)動(dòng)作、遮擋、以及動(dòng)作幅度和速度都具有明顯差異的行為仍能獲得較好的識別率。同時(shí)，以行為識別結(jié)果為基礎(chǔ)的人體行為模式聚類分析方法可以有效地分析出