人体动作识别技术
人体动作识别算法的快速计算与实时监测技巧
人体动作识别算法的快速计算与实时监测技巧人体动作识别是一种重要的技术，在许多领域都有广泛的应用，例如健身监控、运动训练、医疗辅助等。
而实时监测人体动作需要高效的算法和快速的计算技术。
在本文中，我们将探讨人体动作识别算法的快速计算与实时监测技巧。
一、人体动作识别算法人体动作识别算法通常使用传感器数据来识别人体的动作。
传感器可以是加速度计、陀螺仪、磁力计等。
这些传感器可以采集人体进行动作时产生的数据，然后通过算法对这些数据进行分析和识别。
目前比较常用的人体动作识别算法包括传统的机器学习方法和深度学习方法。
1.传统的机器学习方法传统的机器学习方法常用的有支持向量机（SVM）、k最近邻（kNN）、决策树等。
这些方法通常需要手工提取特征，并对特征进行分类。
例如，在人体动作识别中，可以通过提取加速度数据中的窗口特征、时域特征、频域特征等，然后将这些特征输入到机器学习模型中进行分类。
传统的机器学习方法在人体动作识别中表现不错，但是需要较多的特征工程，计算复杂度较高。
2.深度学习方法深度学习方法在人体动作识别中表现出色，特别是卷积神经网络（CNN）和循环神经网络（RNN）。
这些方法通过端到端的学习方式来学习数据中的特征和模式。
在人体动作识别中，可以将传感器数据直接输入到深度学习模型中，模型可以自动学习到最优的特征表示和分类器。
深度学习方法不需要手工提取特征，计算复杂度较低，表现也很好。
二、快速计算技巧在实时监测人体动作时，快速计算是非常重要的。
以下是一些快速计算技巧：1.使用GPU加速深度学习算法通常需要较大的计算资源来训练和推理。
使用GPU可以显著加速深度学习模型的训练和推理过程。
在实时监测人体动作时，可以通过利用GPU来加速模型推理，提高计算速度。
2.优化模型结构在实时监测中，模型的轻量化和优化是非常重要的。
可以通过剪枝、量化、蒸馏等方法对模型进行优化，减少模型的参数和计算量。
优化后的模型可以更快地进行推理计算，提高实时监测的效率。
如何进行人体动作识别和行为分析
如何进行人体动作识别和行为分析人体动作识别和行为分析是指利用计算机视觉和模式识别技术来识别和理解人体动作的过程。
随着计算机视觉和深度学习技术的发展，人体动作识别和行为分析已经成为了一个研究热点，它在多个领域有着广泛的应用，如智能监控、健康管理、人机交互等。
本文将从人体动作识别和行为分析的技术原理、应用场景和研究趋势等方面进行探讨。
一、技术原理1.1传统方法传统的人体动作识别和行为分析方法通常基于计算机视觉和模式识别的技术。
其基本思路是通过摄像头等设备采集人体的运动信息，然后利用图像处理和特征提取等技术来识别和分析人体的动作。
传统方法一般使用手工设计的特征和分类器来实现人体动作的识别和行为分析，这些特征包括轮廓特征、颜色特征、运动特征等。
但传统方法往往需要大量的人工操作和专业知识，而且对光照、背景干扰等因素比较敏感，导致其在实际应用中存在一定的局限性。
1.2深度学习方法近年来，随着深度学习技术的发展，人体动作识别和行为分析进入了一个新的阶段。
深度学习方法通过构建深层神经网络模型来实现对人体动作的高效识别和行为分析。
深度学习方法通常基于卷积神经网络（CNN）、循环神经网络（RNN）等技术，通过端到端的学习来提取和学习人体动作的特征，从而实现对人体动作的自动识别和行为分析。
深度学习方法不仅能够有效地解决传统方法的局限性，而且在大规模数据集上取得了令人瞩目的性能。
二、应用场景2.1智能监控人体动作识别和行为分析技术在智能监控领域有着重要的应用。
通过识别和分析监控视频中的人体动作，可以实现对异常行为的自动检测和预警，例如盗窃、打架、火灾等。
此外，还可以实现对人群行为的统计分析，如人流量统计、人员活动轨迹分析等，为城市管理和安全防范提供有力支持。
2.2健康管理人体动作识别和行为分析技术在健康管理领域也有着广泛的应用。
通过识别和分析人体动作，可以实现对睡眠、运动、饮食等健康行为的监测和评估，为个人健康管理提供定量化的数据支持。
可穿戴设备中的人体动作识别与行为分析技术
可穿戴设备中的人体动作识别与行为分析技术随着科技的不断发展，可穿戴设备逐渐成为人们日常生活中不可或缺的一部分。
从智能手表到智能眼镜，这些设备通过感知人体动作和分析行为，为人们提供了更多的便利和信息。
人体动作识别是可穿戴设备中的关键技术。
通过搭载传感器和算法，这些设备能够准确地识别和分析人体的动作，例如步行、跑步、坐立等，并实时反馈给用户。
这项技术的实现离不开传感器的精确测量和算法的高效处理。
通常，加速度计、陀螺仪和磁力计等传感器被用于感知人体动作，然后通过机器学习算法对数据进行处理和分析，从而实现对动作的识别和分析。
人体动作识别技术的应用非常广泛。
最常见的应用是健身追踪。
可穿戴设备可以识别用户的运动类型和强度，并据此提供个性化的健身建议。
此外，人体动作识别还可以帮助改善体态和姿势。
许多办公人士长时间保持不良的坐姿，这可能导致腰椎和颈椎的问题。
通过可穿戴设备的行为分析，设备可以提醒用户调整姿势，减少不良的习惯。
除了人体动作识别，行为分析也是可穿戴设备中的重要技术。
通过识别和分析人体的行为模式，设备可以推测用户的情绪、健康和日常习惯等信息。
例如，设备可以分析用户的睡眠习惯，并根据睡眠质量提供相应的建议。
此外，行为分析还可以用于安全和监护目的。
例如，一些可穿戴设备能够检测用户的跌倒，并自动向紧急联系人发送求助信息。
然而，人体动作识别和行为分析技术在可穿戴设备中也面临一些挑战。
首先，准确性是一个重要的问题。
由于人体动作的多样性和复杂性，设备需要具备较高的准确性来满足用户的需求。
此外，能耗也是一个令人关注的问题。
持续的数据采集、分析和传输将消耗大量的电能，这对于电池续航能力提出了更高的要求。
然而，随着技术的不断进步，这些问题正在逐渐得到解决。
新型传感器的出现使得人体动作的测量更加准确和可靠。
同时，机器学习和深度学习等算法的发展也使得行为分析更加准确和智能化。
此外，对于能耗的问题，一些新兴的技术如能量收集和低功耗芯片的应用有望缓解这一问题。
《2024年基于视觉的人体动作识别综述》范文
《基于视觉的人体动作识别综述》篇一一、引言随着计算机视觉技术的快速发展，人体动作识别已经成为智能监控、人机交互、医疗康复等领域的重要研究课题。
基于视觉的人体动作识别技术能够从图像或视频中提取和解析人体动作信息，从而实现对人体行为的自动识别和理解。
本文旨在综述基于视觉的人体动作识别的研究现状，包括相关技术、方法和挑战，以期为后续研究提供参考。
二、人体动作识别的技术基础1. 特征提取：特征提取是人体动作识别的关键步骤，主要目的是从图像或视频中提取出与人体动作相关的特征。
常见的特征包括形状特征、纹理特征、光流特征等。
2. 模型构建：基于提取的特征，构建分类模型进行动作识别。
常用的模型包括支持向量机、隐马尔可夫模型、深度学习模型等。
三、基于视觉的人体动作识别方法1. 基于深度学习的方法：深度学习在人体动作识别中发挥着重要作用，尤其是卷积神经网络（CNN）和循环神经网络（RNN）的应用。
通过大量数据的训练，深度学习模型能够自动提取和识别人体动作特征。
2. 基于光流的方法：光流描述了图像序列中物体的运动信息，通过计算光流场可以提取出人体动作的动态特征。
基于光流的方法在人体动作识别中具有较高的准确性和实时性。
3. 基于骨骼信息的方法：通过深度相机或立体相机获取人体骨骼信息，进而进行动作识别。
该方法能够更准确地捕捉人体动作的细节，但需要较高的硬件设备支持。
四、人体动作识别的应用领域1. 智能监控：通过人体动作识别技术，可以实现智能监控和安防报警等功能，提高社会安全水平。
2. 人机交互：人体动作识别技术可以应用于虚拟现实、游戏、医疗康复等领域，实现自然、直观的人机交互。
3. 医疗康复：通过分析患者的康复动作，可以帮助医生评估患者的康复情况，为患者提供个性化的康复方案。
五、挑战与展望1. 数据获取与标注：大规模、多样化的数据集对于提高人体动作识别的性能至关重要。
然而，目前公开可用的数据集仍存在数据量不足、标注不准确等问题。
基于深度学习的人体动作识别方法
基于深度学习的人体动作识别方法深度学习作为一种强大的机器学习技术，近年来在各个领域取得了重大突破。
其中，人体动作识别是深度学习技术的一个重要应用领域。
本文将介绍基于深度学习的人体动作识别方法，包括数据预处理、模型构建和训练、结果分析等方面。
一、数据预处理人体动作识别需要大量的标注数据集作为训练样本。
在数据预处理阶段，我们需要对采集到的原始数据进行清洗和标注。
一般而言，人体动作识别可使用传感器获取的关节点信息，如骨骼关节点坐标、速度、加速度等。
这些关键信息需要通过滤波和降噪等技术进行数据处理，以去除异常点和噪声，提高数据质量。
二、模型构建和训练在深度学习中，卷积神经网络（Convolutional Neural Network, CNN）是一种常用的模型架构，适用于图像和时间序列数据的处理。
对于人体动作识别来说，时间序列数据是关键，因此，我们可以使用一维卷积神经网络（1D-CNN）来进行模型构建。
1D-CNN的主要思想是通过卷积操作提取时间序列数据中的局部特征，然后通过池化操作将特征进行降维。
模型的输入可以是关节点坐标序列，经过多层的1D-CNN的卷积操作和池化操作后，得到的特征表示可以用于分类任务。
模型的输出层为softmax层，用于输出分类结果。
模型的训练需要一个标注好的数据集，可以通过监督学习的方法进行。
常见的损失函数可以是交叉熵函数，用于评估分类任务的误差。
通过反向传播算法，可以更新模型的参数，使得模型逐渐收敛。
三、结果分析在模型训练完成后，我们需要对其性能进行评价和分析。
常见的性能评价指标包括准确率、精确率、召回率和F1值等。
可以通过混淆矩阵、ROC曲线和AUC值来综合评价模型的性能。
此外，在实际应用中，我们还可以对模型进行优化和改进。
例如，可以使用预训练的模型参数来提高模型的性能，也可以通过调整模型的超参数来选择更合适的模型结构。
最后，基于深度学习的人体动作识别方法在很多领域都有广泛的应用，如体育训练、健康监测、智能安防等。
人体动作识别与预测算法研究
人体动作识别与预测算法研究随着现代科技的不断发展，人类对人体运动的理解和分析能力也在逐渐加强。
人体动作识别与预测技术依靠机器学习、图像处理等多种技术手段，利用计算机对人体动作进行自动识别和分析，为运动员的训练、康复治疗及人机交互提供非常有用的帮助。
一、人体动作识别技术人体动作识别技术可以通过人体姿态估计、视觉信号分析等手段进行。
一般来讲，人体姿态估计分为两步：首先利用计算机处理输入的视频图像，提取出图像中几何概貌的特征值；然后，利用机器学习技术，根据特定的训练集，将特征值映射为一个特定的动作类别。
视觉信号分析则是实现困难，因为它需要对人体进行逐帧分析，依靠图像处理技术来分析并判断出人体实际的动作。
为了实现更高的准确度，人体动作识别技术通常需要结合多种传感器和不同的算法。
其中最常用的传感器是高速相机、深度相机、陀螺仪等，用以采集关于人体动作的各种数据信息，如运动时的位移、速度、加速度、角速度等。
除此之外，人体动作识别技术通常使用的算法有：支持向量机、隐马尔科夫模型、决策树、卷积神经网络等，这些算法都是目前比较成熟的人体动作识别算法。
二、人体动作预测技术人体动作识别技术可以很好地分析和识别出人体的运动状态，但是它并不能预测出人体接下来的动作。
而人体动作预测技术的任务就是尽可能地预测人体接下来的一系列动作。
常见的预测方法有基于统计学的方法和基于机器学习的方法。
基于统计学的方法通常是基于几何模型或者人体神经系统的知识来预测人体下一步的运动，这种方法其实并没有明确的预测方法，而是利用人体动作的统计规律来得到动作的可能性。
相比之下，基于机器学习的方法是一种基于几千甚至上万个相似样本的学习方法。
该方法根据人体运动的历史记录和特征提取技术，通过数据训练和学习，能够针对不同的用户、不同的运动方式和环境，进行精准的动作预测和自适应优化。
三、应用前景从实际应用角度上来看，人体动作识别和预测技术在众多领域都有广泛的应用，如体育训练、康复治疗、智能交互等。
人体行为识别介绍
人体行为识别介绍人体行为识别是指通过分析和识别人体的动作、姿态和行为，实现对个体身份、行为意图和心理状态的判断与识别。
它是一种基于人体动作特征的生物识别技术，可以应用于人机交互、智能安防、健康监控等领域。
本文将介绍人体行为识别的原理、方法和应用。
一、人体行为识别的原理人体行为识别的基本原理是通过分析和提取人体的动作、姿态和行为特征，利用数学模型和机器学习算法进行模式匹配和分类识别。
其基本步骤包括：数据采集、特征提取、模式识别和分类。
具体来说，数据采集可以通过传感器、摄像头等设备获取，然后通过图像处理和计算机视觉技术分析和提取人体的动作特征，如人体的关节点位置、运动轨迹等；接下来，通过机器学习算法对提取的特征进行训练和分类，建立模型。
最后，将实时获取的数据与建立的模型进行匹配和比对，判断和识别人体的行为。
二、人体行为识别的方法1.传感器技术：包括惯性传感器、压力传感器、心率传感器等，可以实时监测和记录人体的动作、姿态和生理信号。
2.图像处理和计算机视觉技术：通过图像分析和处理，提取人体的动作特征，如人体关节点的位置、运动轨迹等。
常用的技术包括背景差分、轮廓检测、模板匹配等。
3.机器学习和深度学习：通过对训练数据进行学习和训练，建立人体行为识别的模型。
常用的算法包括支持向量机、决策树、卷积神经网络等。
三、人体行为识别的应用1.智能安防：通过人体行为识别技术，可以实现对可疑行为的检测和警报。
例如，通过监控摄像头对人体行为进行分析，识别不寻常的行为模式，如盗窃、骚扰等，及时报警。
2.人机交互：人体行为识别可以实现无触控的人机交互方式，提供更加自然和智能的交互体验。
例如，通过对手势的识别，实现手势控制电视、智能家居等设备的操作。
3.健康监控：通过人体行为识别技术，可以对老人、儿童等特殊人群进行健康监护。
例如，通过分析人体的姿态和活动轨迹，判断老人是否跌倒，及时预警和救援。
4.人员管理：人体行为识别可以实现对人员身份和行为的管理。
人体姿态估计与动作识别技术研究
人体姿态估计与动作识别技术研究人体姿态估计与动作识别技术是计算机视觉领域的重要研究方向，其在人机交互、虚拟现实、运动分析、智能监控等众多领域具有广泛的应用前景。
本文将探讨人体姿态估计与动作识别技术的研究进展及其在不同应用场景中的实际应用。
人体姿态估计技术旨在从图像或视频中恢复人体的三维姿态信息，包括身体的关节角度、关节位置等。
该技术的研究挑战在于图像中的遮挡、姿势多样性和动态变化等因素。
近年来，深度学习方法在人体姿态估计技术中取得了重要突破。
基于深度学习的方法可以通过训练大规模的姿态数据集，学习到人体的骨骼结构和属性，并通过反向传播算法优化模型参数，从而实现精确的姿态估计。
例如，卷积神经网络（CNN）被广泛应用于人体姿态估计，而递归神经网络（RNN）则可以对时间序列图像进行建模，进一步提高估计精度。
人体动作识别技术旨在识别和分类人体运动的不同行为，例如行走、跑步、拳击等。
该技术在健身、体育竞技、运动训练等方面具有广泛的应用潜力。
动作识别的关键在于提取有效的动作特征表示，并利用分类算法进行动作分类。
传统的方法主要基于手工设计的特征提取器，例如形状特征、运动轨迹特征等。
然而，这些方法在复杂场景下的性能受限。
近年来，深度学习方法的兴起为动作识别技术带来了革命性的突破。
卷积神经网络（CNN）和循环神经网络（RNN）等结构在动作识别中得到了广泛应用，这些网络能够自动学习动作的抽象特征表示，并从大规模的动作数据集中进行训练，极大地提高了动作识别的准确性和鲁棒性。
人体姿态估计与动作识别技术在许多领域中得到了实际应用。
在人机交互领域，人体姿态估计技术可以用于手势识别、姿势控制等，实现更自然、便捷的人机交互方式。
例如，通过识别手势，用户可以简单而直观地与计算机进行交互，实现手势控制的虚拟键盘、手势驱动的游戏等。
在虚拟现实领域，人体姿态估计技术能够追踪用户在虚拟环境中的姿态变化，实现沉浸式的用户体验。
在运动分析领域，人体姿态估计和动作识别技术可以用于智能运动捕捉、动作评估等，帮助运动员改善和优化运动技能。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本文将分别从动作识别特征、动作识别方法、 相关国际竞赛与常用数据库、研究难点与可能的发
图 1 几种动作识别中用到的静态特征
展方向等方面来阐述该领域目前的研究现状。
静态特征主要描述的是人体目标的尺寸、颜色、 边缘[5] 、轮廓、形状[6] 和深度[9] 等。静态特征可以
论文在线发布号 No.7
胡琼等：人体动作识别综述
提时空特征
轨迹 时空形状、时空兴趣点、时
前 描述性特征
空上下文 属性、场景、物体、姿态
[19] [14] [16] [18] [20] [21] [22] [23] [25] [27] [28] [30]
[34] [35] [36]
在 2.1 静态特征
线
出
近年来，人体动作识别的研究任务也在逐步地 发展，对计算机视觉领域提出了一些新的挑战。从
3
较好的表示出人体目标的整体信息，可为动作识别
提供有用线索。例如：人体轮廓（Contour）可以表
示当前人体目标的基本形状。
Carlsson 配来完成动作识别 [5] ，其中，形状信息是以通过 Canny 边缘检测器检
测到的边缘数据来表示的（图 1 (a)）。这种方法能够
recognition, machine learning and artificial intelligence with wide applications in video surveillance, video retrieval,
在 human-computer interaction, virtual reality, health care, etc. In this paper, we analyze the state-of-the-arts and
human action recognition are presented.
出 Key words Computer Vision; Pattern Recognition; Visual Feature Extraction; Human Action Recognition
1 引言
版 生。面对海量涌现的视频数据，如何去自动获取、
提 2)(University of Chinese Academy of Sciences, Beijing 100190)
前 Abstract Visual Human Action Recognition is a universal hot topic of image processing, computer vision, pattern
《容忍图像和样本之间一定程度的形变且能够准确识
别不同人体姿态形成的极度相似的形状。Cheung 等
计 将传统的仅适用于静态对象的 SFS（Shape from
Silhouette）方法扩展到做刚体运动的对象[6] ，并进
图 2 密集光流特征[15]
算 一步将其扩展到铰接体对象上（图 1 (b)），用于获取
》 为主题内容之一。 目前， 基于视觉的人体动作识别的处理方法大
动态特征
深度 光流、速度、速率、方向、
[11] [10] [12] [17]
体可分为三类： 即非参数方法、立方体分析方法以 及参数化时间序列分析的方法[1] 。非参数方法通常 从视频的每一帧中提取某些特征，然后用这些特征 与预先存储的模板(template)进行匹配；立方体分析 方法不是基于帧的处理，而是将整段视频数据看作 是一个三维的时空立方体进行分析；而参数化时间 序列分析的方法对运动的动态过程给出一个特定的 模型，并通过对训练样本数据的学习获得每一类动 作特定的模型参数，其中比较常用的模型包括：隐 马尔可夫模型(HMMS, Hidden Markov Models)，线 性动态系统(LDSs, Linear Dynamical Systems)等。
提 通过静态特征，可以获取目标的很多有用信息，
但边缘与轮廓信息的获取并不容易，尤其在背景复
描述密集光流特征[15] 。 然而，光流特征的准确获取本身是一个很棘手
杂，运动对象较多的场景中尤为困难。因而有很多 研究者尝试新的研究思路，不再进行目标分割、目
前 的问题，即便是目前最好的光流计算算法，也存在
着噪声，同时计算复杂度高，因此研究者开始尝试
(a) 边缘形状[5]
版(b) SFS[6]
早期受限条件下(constrained settings)简单动作的识
别 逐 步转 向了 对真 实自然 场 景下 (videos “ in the
wild”)复杂动作的识别；从对单人动作识别的研究
自然地过渡到对交互动作甚至是大规模群体动作识 别的研究。
(c) 旋转图像[4]
常见的形状、轨迹、光流、局部时空兴趣点等 特征可以分为以下四类（如表 1 所示）：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， 基于时空立方体的时空特征以及描述性特征。
表 1 动作识别中常用特征分类表
类别
形式
代表文章
静态特征
大小、颜色、轮廓、形状、 [4] [5] [6] [7] [8] [9]
分析其中包含的内容就成为一个亟待解决的问题。
大多数视频记录的都是作为社会活动主体的人
随着视频获取设备和宽带网络的快速普及和发 的活动，不论是从安全、监控、娱乐，还是个人存
展，视频已成为信息的主要载体，且视频数据的数 量呈爆炸式增长，每时每刻都会有大量新的内容产
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[1] 。基于视觉的人体动作识别
advances of this field from perspectives of feature extraction, action recognition methods as well as benchmark
线 datasets and competitions. In addition, the problems, difficulties, challenges and valuable future directions of
标检测和目标跟踪，而是从视频中直接提取运动信 息。
在 对特征点进行跟踪。Matikainen 发现仅仅是用简单
的 KLT 跟踪器，能够实现用比计算光流更少的复杂
2.2 动态特征 运动信息一直被认为是计算机视觉中非常重要
线 度比较鲁棒地在较长的时间区间内跟踪一系列特征
点[16] 。Messing 等提出一种关键点运动历史的特征
状。
机
学 关键词 计算机视觉、模式识别、视觉特征提取、人体动作识别
中图法分类号 TP391
DOI 号：
报 A Survey on Visual Human Action Recognition 》 HU Qiong1), QIN Lei1), HUANG Qing-Ming1, 2)
1)(Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190)
摘要
计基于视觉的人体动作识别是图像处理、计算机视觉、模式识别、机器学习、人工智能等多个学科的交叉研究课题，
算 在视频监控、视频检索、人机交互、虚拟现实、医疗看护等领域具有深远的理论研究意义和很强的实用价值。本文从特征提
取的方法、动作识别的方法、相关国际竞赛与常用数据库、研究难点与可能的发展方向等方面详细阐述该领域目前的研究现
的线索，早在 1973 年 Johansson 通过经典的移动光 斑实验 (Moving Light Display) 心理物理学实验，证 实了仅通过观察连接在人体关节处的灯光信息，人 能够准确识别出走、跑、上楼梯等动作，甚至能够 从步态信息中识别出演员的性别和身份[10] ，预示了
第 36 卷 2013 年 论文在线发布号 No.7
计算机学报 CHINESE JOURNAL OF COMPUTERS
Vol. 36 2013 Article Online No.7?
基于视觉的人体动作识别综述
胡琼 1), 秦磊 1), 黄庆明 1), 2)
《
1)(中国科学院智能信息处理重点实验室, 中国科学院计算技术研究所, 北京 100190) 2)(中国科学院大学，北京 100190)
——————————————— 收稿日期：2011年9月30日；最终修改稿收到日期：2013年6月27日 .本课题得到国家重点基础研究发展计划(973计划)项目课题(2009CB320906)、国 家自然科学基金(61025011, 61133003, 61035001, 61003165)、北京市自然科学基金(4111003)资助. 胡琼，女，1986年生，博士生（Rutgers, The State University of New Jersey），主要研究领域为计算机视觉与模式识别，qionghu2006@. 秦磊(通讯作者)，男，1977年生，博士， 副研究员，计算机学会(CCF)会员（E200021256M）,主要研究领域为计算机视觉与模式识别，qinlei@. 黄庆明，男，1965年生，博士，教 授，博士生导师，国家杰出青年科学基金获得者，主要研究领域为多媒体分析、图像处理、计算机视觉、模式识别等,qmhuang@. 手机号码:13810746437, E-mail:qinlei@
《首先是从图像帧中检测运动信息并提取底层特征；
然后是对行为模式或是动作进行建模；最后是建立
计 底层视觉特征与动作行为类别等高层语义信息之间
的对应关系。
算 早在上个世纪 70 年代末期，Marr 提出计算机
视觉理论[3] ，将整个视觉感知过程划分成底层、中