行为识别简单概述

在计算机技术讨论课程结束后，我非常感兴趣张老师所讲述的关于一些我未曾想过的领域，其中我最为感兴趣的莫过于行为识别技术了，行为识别技术当然不是需要我们人类去进行一个一个的分析，而是需要计算机去看，去分析，这就非常的有意思了。

视觉是人与外界进行信息交流的重要渠道和重要方式，根据相关的研究结果显示，人体有超过80%的外界感知信息源自视觉，远远超过第二感知途径（听觉为10%）的信息感知量。在当今社会，在摄像头大量普及的当下，单一的摄像头加上一个人看着很多显示器的时代已经过去，我们需要的是让摄像头，让电脑帮我们去分析计算或者筛选出我们需要的某一个或者多个目标，当然因为我国的国土面积大，信息资源丰富同时也意味着我国拥有海量的数据进行分析，在此我们便需要计算机帮我们去做更多的事。

在这里运动人体图像检测主要需要图形图像基础，静态图像分割，动态图像分割以及人体动作数据库等。而动作特征提取需要包括人体动作特征。行为识别方法包括基于模板的方法，基于概率统计的方法，基于语法的方法以及基于深度图像的识别。

因为这是一个很大的科目在这里就简要的说明一番。

人体动作数据库有8个，这些分别是1.KTH数据库，2.Weizmann数据库，3.INRIA XMAS数据库，4.UCF体育动作数据库。5.CMU运动数据库，6.SOTON数据库，7.NIST/USF数据库，以及8.CASIA数据库。

人体动作特征：从大量基于视觉的人体行为识别的现有研究可以得知，人体动作特征主要包括形状，轨迹，光流和局部时空兴趣点等。这些人体动作特征可进一步划分为基于轮廓和形状的静态特征，基于光流或运动信息的动态特征，基于时立方体的时空特征。

特征提取方法有两种，一种是基于统计的方法和基于模型的方法，基于统计的方法是使用基于统计方法获取的人体运动特征的主要技术是在连续的视频图像序列中计算出人体的运动参数，如速度，轮廓，纹理等，进一步利用其时空统计特征进行分类识别。

基于模型的方法是指详细描述并且拟合人体四肢结构的特性或者人体在运动图像序列中表现出的各种明显的运动特征，然后根据得到的结果建立相应的模型。

综上所述，基于模型的方法与基于统计的方法的最大不同之处在于，大部分情况下基于模型的方法能够很好的描述人体运动中肢体各个部分的变化，使运动更加直观化，具体化，能够有效的克服图像视角变化或者是外物遮挡等外界因素的影响，而且可以通过获取关键点的关节角度变化特征来提高身份识别的效果。但是，这一类方法也存在一定的缺陷，例如人体运动模型的建立和模型的恢复难度，以及计算复杂度等，都是在计算机视觉领域一直未能解决的难题。

基于深度图像的识别的方法有5种。

1. 基于骨架关节点的方法。
              

骨关节点是人体的视觉显著点，在4D空间中的运动能够反映动作的语义信息。由于不同时刻的关节点具有自然对应性，这是传统的RGB图像所不具有的的特征，因此大多数基于关节点的方法通常显示的建模人体动作的时间动态特性。

1. 基于深度映射图像的方法。
              

相对于精简骨架关节点数据，深度映射图像能够提供关于动作的形状和运动等，更为丰富的信息，此类方法可进一步划分为全局法和局部发。

1. 基于深度相机3D云数据的方法。
              

通过深度相机采集的深度映射图像可以直接转换为3D点云数据，利用3D点云数据的动作识别可分为基于局部占有模式和基于曲面法线两种方式。

1. RGB图像与深度信息融合的多模拟方法。
              

融合方式可分为特征层融和决策层融合。

以上就是我在了解一些关于行为识别方面的总结，在学习过程中我发现，行为识别是一门非常有趣且有意义的事，在生活中太多的地方需要行为识别这一项功能，在这一项功能完全成熟后我甚至觉得可以带动科技全新的进步与发展，为人民提供更加安全的社会环境的同时还可以大大节约开支，从此监控室这个房间也许将不复存在。