;
视觉是人类观察和认识世界的重要途径，基于视频的人体行为分析的目的是理解和识别人的个体动作，人与人之间的交互运动，人与周围环境的交互关系等。它利用计算机技术，在不需要人为干预或者尽量少加入人为干预的条件下，实现基于视频的人体检测，人体跟踪，及对人的行为的理解。基于视频的人体行为分析，在智能视频监控智能人机交互以及人工智能领域均有重大的应用价值。
本文的研究重点基于视频的人体行为理解技术，结合现如今基于视频的人体行为分析中存在的部分难点进行研究探讨，获得了如下几个方面的成果：、
（按照技术路线列的）
参考【视频监控中运动人体检测与异常行为分析研究】
【基于四元数的人体特征提取】
【连续动作分割DBKF】
【多目标行为识别SVM 四元数 DBKF】
【异常行为检测HMM】
(开题报告中)
基于三维人体模型提取精简且有效的特性信息
建立人体运动特征模型并实现人体连续动作的分割与识别
基于单摄像头视频序列进行多目标人体中的异常行为检测与识别
（1） 定义深度图像的帧间距离，并利用帧间距离进行连续动作分割完成基于关键帧的单一运动目标的连续动作分割
（4）利用SVM算法建立分类器，对人体行为进行识别 完成基于四元数理论的姿态识别算法并完成实验
（5） 完成基于DBKF 算法的多运动目标的动作识别
（6） 多目标人体中异常行为的检测算法的设计，完成基于隐马尔可夫链的异常行为识别
最后，针对论文的研究内容，探讨了研究中的可优化的方面，并就此得出新的研究方向。
关键词：四元数；动作分割；行为识别；支持向量机；隐马尔可夫；异常行为检测
目 录
摘 要 I
ABSTRACT III
第一章 绪论 1
1.1 研究背景及意义 1
1.2 研究现状 3
1.2.1 人体运动检测 3
1.2.2 人体运动特征提取 4
1.2.3 人体运动行为理解 5
1.2.4人体行为识别面临的挑战 7
1.3 论文的研究内容和创新点 8
1.4 论文的章节安排 9
第二章 基于Kinect的人体运动检测及骨架获取 10
2.1 引言 10
2.2 微软Kinect for Windows 2.0简介 10
2.2.1 Kinect 2.0硬件概述 11
2.2.2 Kinect 2.0 SDK概述 12
2.3 基于Kinect 2.0 的运动人体检测 13
2.3.1 深度图像的获取 13
2.3.2 深度图像的表示 13
2.4 基于深度图像的三维人体骨架获取 15
2.5 小结 20
第三章 运动人体连续行为分割 22
3.1 引言 22
3.2 运动分割方法 22
3.3 基于视频帧间距离的运动人体连续行为分割 23
3.3.1 帧间距离分割模型（BEGK） 23
3.3.2 实验仿真及结果 24
3.4 小结 24
第四章 人体运动特征提取及多目标人体行为识别 26
4.1 引言 26
4.2 人体运动特征提取方法 26
4.2 人体运动识别方法 29
4.3 基于四元数理论的人体运动表示 34
4.3.1 代数四元数理论基础/人体姿态角与坐标变换/三维转动的四元数表示 34
4.3.2 三维转动的四元数表示 38
4.4 基于关节四元数的多目标人体行为识别 41
4.4.1支持向量机算法概述 41
4.4.2 基于关节四元数的运动人体行为识别 45
4.4.3 实验结果与分析 45
4.5 基于视频的多目标人体行为识别系统 45
4.6 小结 45
第五章 基于隐马尔可夫链的异常行为识别 46
5.1 引言 46
5.2 隐马尔可夫模型（HMM） 46
5.3 隐马尔可夫模型的参数训练与异常行为识别 50
5.3.1参数训练阶段 51
5.3.2 行为识别阶段 51
5.4 实验结果及分析 51
5.4.1 仿真环境 51
5.4.4 实验结论 51
5.5 小结 52
第六章 总结与展望 53
6.1 总结 53
6.2 展望 53
参考文献 55
致 谢 62
主要研究内容
大多数视频记录的都是作为社会活动主体的人的活动，不论是从安全、 监控、娱乐，还是个人存档的角度，对视频中人体动作识别进行研究具有重要的学术和应用价值。基于视觉的人体行为分析是近年来计算机视觉和模式识别领域的一个研究热点，这一方面是由于它广阔的应用前景，另一方面也是由于它在理论上的研究价值和挑战。
本文的研究重点基于视频的人体行为理解技术，对人体检测和跟踪技术不进行深入探讨，只在必要时对前人的研究成果进行算法实现。本文将在前人研究成果个基础上，结合现如今基于视频的人体行为分析中存在的部分难点进行研究探讨，主要分为如下三个部分：
1.建立人体运动特征模型并实现人体连续动作的分割与识别。针对现有的动作识别方法大多数是建立在假设待识别人体行为已经给定动作的开始帧和结束帧的基础上这一问题，本文提出基于视频帧间距离(DBKF)的运动人体行为分割算法，最后通过实验仿真验证了DBKF模型的有效性；
2.基于四元数理论结合三维人体骨架建立运动人体行为表示模型，使用支持向量机（SVM）作为分类器对视频片段中的人体运动行为进行分类，实现了少特征高准确度的基于视频的多目标人体行为识别。
3.将三维人体旋转信息进行拓展运用到异常行为识别中，使用关节角作为特征参数，结合隐马尔可夫链模型算法（HMM），实现了对视频中的连续运动人体行为进行异常识别。
图 本文研究内容框架
1.3.2 主要创新点
1.提出基于视频帧间距离的运动人体连续行为分割算法（DBKF），通过与后续人体行为识别算法的结合验证了DBKF算法的有效性；
2.结合四元数理论提出将人体关节四元数作为特征信息运用到人体行为识别过程中，通过与支持向量机算法的联合使用验证了关节四元数作为特征信息的高效性、准确性
3.将三维人体旋转信息进行拓展运用到异常行为识别中，与经典的团快法进行了对比，通过实验仿真验证了人体关节角作为异常识别特征参数在基于隐马尔可夫链的异常行为识别中的有效性。
1.4 论文的章节安排
本文的主要章节安排如下：
第一章 主要介绍了课题的研究背景、目的和意义，以及各个部分国内外的研究现状，并给出论文的主要研究内容和创新点；
第二章 基于Kinect的人体运动检测及骨架获取。主要分为三个部分：第一部分介绍微软体感摄像机Kinect 2.0的硬件组成以及SDK基础信息；第二部分给出了基于Kinect 2.0的深度图像原理以及运动人体检测技术；第三部分主要阐述基于深度图像的三维人体骨架获取流程，并为后续的动作分割和行为识别打好数据基础。
第三章 运动人体连续行为分割。首先介绍运动分割的研究背景以及运动人体行为检测中运动分割技术的必要性，然后提出了基于视频帧间距离的运动人体连续行为分割算法（DBKF），最后通过实验仿真验证了DBKF算法的有效性。
第四章 人体运动特征提取及多目标人体行为识别。主要分为三个部分：第一部分，简要介绍了人体运动特征提取方法、运动识别方法以及基础四元数理论；第二部分，然后给出了结合四元数理论以及三维人体骨架所建立运动人体行为表示模型；第三部分，结合运动人体行为表示模型以及支持向量机分类器对视频片段中的人体运动行为进行分类，实现了少特征高准确度的基于视频的多目标人体行为识别。
第五章 基于隐马尔可夫链的异常行为识别。首先简要介绍隐马尔可夫模型的理论背景以及在异常检测中的实用性，然后 将三维人体旋转信息进行拓展作为参数，对人体运动行为的隐马尔可夫模型进行参数训练，最后通过实验仿真验证了人体关节角作为异常识别特征参数在基于隐马尔可夫链的异常行为识别中的有效性。
第六章 针对论文的研究内容进行总结，探讨了研究中的可优化的方面，并就此得出新的研究方向。
