视频行为识别、行为分析、行为检测 传统方法、深度学习方法

目标检测——时间差分法 在连续的图像序列中两幅或三幅相邻帧之间采用基于像素的时间差分，并对差分结果进行阈值化处理以提取图像中的前景运动区域。 缺点： 前景、背景区域的确定与阈值的选取有很大的关系 当灰度图像序列对比度较低时，由于相邻两帧的差(前景与背景之差)的范围很小，阈值难以选取，影响前景目标的分割结果。 区域灰度值变化较为平坦时，容易在人体二值图像内产生空洞现象，给后续的目标分类、跟踪和识别造成不便。 优点： 对于动态环境有较强的自适应性

介绍通过视频实时采集图像和行为识别来实现舌控鼠标系统。首先利用Adaboost和Lucas-Kanade算法实现实时人脸的识别与跟踪，然后提出了脸部器官定位的算法。通过舌头的行为识别来控制鼠标系统。实验表明该系统能较好完成鼠标操作基本功能，具备实时性和稳定性。

关于机器学习和行为识别的资料

需要进行人体异常行为识别的视频一般都是未标记的序列图像,传统的有监督的识别方法往往不能较好地反映其行为的特征,识别率不高.提出了一种基于半监督学习的人体异常行为识别方法,首先使用基于DTW距离的self-training进行标记数据扩充,然后用此扩充的序列图像样本集合训练对应的HMM,最终进行异常行为识别.实验结果证明该方法有效且识别率较高.

行为识别的流程 参考文献：运动人体行为分析 视频中的人体运动分析及其应用研究 目标的运动特征，可以用于运动表述，是行为理解等高层部分的基础。 常见的运动表述方法有：运动轨迹、时空图表述和光流。

人类行为识别的目的是通过一系列的观察，对人类的动作类型、行为模式进行分析和识别，并使用自然语言等方式对其进行描述的计算机技术。由于人类行为的复杂性和多样性，往往识别出的结果是多样性的，并且连带着行为类型的概率输出的。随着信息技术的发展，各种移动设备和可穿戴设备正在以加速度的方式增长，其性能和嵌入的传感器也变的多样化，例如：高清相机、光传感器、陀螺仪传感器、加速度传感器、GPS以及温度传感器等。各种各样的传感器都在时刻的记录着使用者的信息，这些记录信息不仅可以用于用户位置的预测，也可以进行用户行为的识别等。本文使用了智能设备加速度传感器的数据，结合支持向量机的特性进行人类行为识别模型的设计和应用

为提高人类行为识别准确性的同时降低实现过程的复杂程度，提出基于智能手机加速度传感器与陀螺仪数据对六种日常基础行为进行识别的方法。在分析传感器框架的基础上，对加速度传感器进行数据采集并对原始数据进行数据预处理，然后采用主成分分析方法结合已有知识对数据统计特征进行降低维数处理，再利用机器学习算法实现对行为特征的分类与识别，目的是简化基础行为的识别过程并提高数据的利用率。实验测试结果验证了决策树与支持向量机分类器结合使用的有效性，识别准确率可接近97%。

基于传感器的移动平台行为识别，算法模型研究

面向助老行为识别的三维卷积神经网络设计.pdf