智能视频监控是计算机视觉领域中最活跃的研究方向之一。它利用计算机技术实现视频内容的自动分析,目的是使机器视觉系统具有人眼一样的感知功能。作为一种有效的安防手段,智能视频监控系统正越来越受到人们的青睐。基于视频流的运动人体行为识别是智能视频监控的主要研究内容,它从视频序列中检测、跟踪、识别运动人体,并对其行为进行理解和描述。基于人体行为分析的智能视频监控系统不仅能够实现自动实时报警,解决了传统监控系统的事后性,而且还可以节省大量的人力和财力,给社会带来极大地经济收益。本文从理论和实际应用的角度出发,对以视频为输入的运动人体行为识别的相关关键技术进行研究,研究内容主要涉及运动目标的检测与分割、人体行为特征的描述以及人体行为识别算法的设计等方面。研究工作主要包括以下几个方面:1)提出了一种基于帧间差分和改进C-V模型的运动人体分割算法,解决了复杂背景下的运动目标检测问题。首先,通过自适应阈值获得相邻帧差值图像。其次,通过连通域分析和设定阈值,消除差值图像中噪声的影响并标定出运动目标所在的区域,计算运动区域的运动视窗。最后,对所有运动视窗,采用改进的C-V模型作分割,得到封闭和完整的运动目标轮廓。针对传统C-V活动轮廓模型不能自适应地分割非匀质图像问题,提出利用全局梯度信息演化活动轮廓曲线,根据闭合活动轮廓曲线内外部的梯度信息重新定义图像分割能量函数。实验结果表明,该算法不仅避免了对整个图像的分割,减少了运算量,而且能实现对刚体或非刚体等运动目标的自动检测和轮廓分割。2)提出了基于加权运动串的行为分类算法,解决了非固定执行速率的行为分类问题。为了更好地对人体行为特征进行提取与描述,定义一种新的称为边界点-半径的轮廓描述方法,将时变的2D轮廓形状转换为对应的1D距离向量。围绕着人的动作是时间序列上姿态的集合这样一个事实,以成本函数作为特征向量,利用谱系聚类方法提取动作序列的关键姿态集并将关键姿态编码为称作动作串的模板。在构建动作串时,由于各关键姿态在识别过程中的重要性不相同,需要赋予不同的权重。最后,利用动态时间规整算法度量测试序列与标准模板之间的相似性。实验结果表明,本方法比较好地解决了在同一段时间内不同动作以及变速动作的分类问题,具有简单实用的特点。3)提出了基于全局运动信息和局部兴趣点信息的异常行为识别方法,解决了识别前需要事先定义异常行为类别的问题,实现了对异常行为的直接判断。在运动视窗范围内提取运动人体区域的全局运动信息,选取轮廓线上的像素点和质心点作为局部兴趣点。分别利用改进的质心-边界轮廓描述方法和质心轨迹来描述局部兴趣点的运动特征。然后将全局信息和局部兴趣点信息这两种具有一定互补性的特征采用加权串联进行融合,得到一个分类能力更强的特征。最后,采用隐条件随机场(Hidden Conditional random fields,HCRF)对行为进行训练与识别。与HMM(hidden Markov model)等产生式模型相比,HCRF侧重从样本数据中抽取共有特征以获取正确的分类边界,不需要假定观测过程条件独立,可以更加自然地对行为的时空邻域关系进行建模。实验结果表明,本算法可以实现对人体行为的主动分析,对行人的异常动作做出识别并进行报警处理,即便对于特征差异较大或是存在噪声干扰的动作序列,算法也能取得较高的识别率。4)提出了基于完全模糊支持向量机(Fuzzy Support Vector Machine ,FSVM)决策树的行为分类算法,解决了行为识别在由两类问题扩展到多类问题时,出现的不可分问题。针对人体姿态具有不确定性和模糊性等特点,采用模糊聚类技术求取每类行为样本的聚类中心。在此基础上,结合决策树思想,构建一种完全模糊支持向量机多值分类器。最后该方法在Weizmann行为数据库上进行了实验,实验结果表明本文所提出的识别方法具有较高的识别性能,并且避免了不可分区域的出现。