1、行為識別方法是近年來模式識別和計算機視覺的研究熱點，在智能人機交互、視頻內容分析和虛擬現(xiàn)實等領域中有著廣泛的應用前景，是智能監(jiān)控技術的重要分支和未來的發(fā)展方向。
　　行為識別方法主要包括行人檢測、行為特征提取和特征分類三個部分，其中行為特征提取是行為識別方法的研究重點。本文通過對現(xiàn)有相關文獻的分析，提出了行為是由連續(xù)幀圖像的變化表達的觀點，通過慢特征分析(Slow FeatureAnalysis，SFA)方法和Gabor濾波器提取

2、出了行為不變特征，并在KTH行為數(shù)據(jù)庫、CASIA行為數(shù)據(jù)庫和自建行為數(shù)據(jù)庫上進行了測試，能夠達到令人滿意的識別效果。本文的主要貢獻如下:
　　首先，分析了國內外行為識別數(shù)據(jù)庫的特點，自建了室外停車場行為數(shù)據(jù)庫，總共采集了120段行為視頻。自建數(shù)據(jù)庫視頻由不同角度的攝像機拍攝，保證了數(shù)據(jù)庫的多樣性;同時保證數(shù)據(jù)庫中背景靜止，有利于行人檢測和視頻的預處理。
　　然后，針對連續(xù)幀圖像的變化可以表達行為的觀點，本文提出了新的基于S

3、FA和Gabor的行為特征提取方法。通過SFA獲得連續(xù)幀圖像變化的慢特征，并用Gabor濾波器提取慢特征圖像的紋理特征，紋理特征就是行為的不變特征。本文通過交叉驗證的方法選取了特征提取方法的參數(shù)，通過行為特征的累計匹配特性研究分析了特征的分類性能。
　　最后，本文根據(jù)異常行為識別任務的需求，將有向無環(huán)圖(DAG)策略和二叉樹(BiT)策略相結合，利用支持向量機，設計了適合異常行為識別的分類器。通過該分類器對KTH行為數(shù)據(jù)庫、CAS