人体动作识别技术是通过计算机对包含有人体动作的视频进行分析与处理,然后对视频中人体动作进行识别的一个过程,其被广泛的应用于不同的领域之中,例如智能视频监控、人机交互、体育运动分析、基于内容的视频检索等,已经成为了计算机视觉、图像处理领域的热门课题之一。当前,虽然存在着大量的动作识别方法,但是由于人体运动的交互性、背景的复杂性、光照的变化性以及相机抖动等因素的影响,导致进行人体动作识别时存在的处理时间较慢以及识别准确率较低的问题并没有得到很好的解决,因此人体动作识别技术仍然是一个极具挑战的课题。传统的基于稠密轨迹的人体动作识别方法是在密集网格上进行随机采样,这样就使得获取的特征维数过高,计算量较大,并且提取的轨迹含有较多的背景冗余信息,实时性较差。为了提高实时性以及识别精度,本文对基于稠密轨迹的动作识别方法进行了研究以及改进,具体的研究工作如下:(1)针对稠密轨迹相机运动估计中的快速鲁棒性特征(Speeded-Up Robust Features,SURF)算法存在的特征点匹配处理时间长的问题,提出一种基于动态高斯金字塔改进的SURF算法。主要对传统的SURF算法进行改进,包括两方面:一是构造动态高斯金字塔,提取特征点;二是引入了亮度中心算法确定特征点主方向和旋转的二进制鲁棒性独立基本特征(Rotated Binary Robust Independent Elementary Feature,rBRIEF)生成特征描述子。实验结果表明:与传统SURF算法相比,改进后的方法的特征点匹配时间更短,匹配精度更高。(2)针对稠密轨迹特征提取过程中,相机运动问题导致的识别率低以及耗时长的问题,提出一种基于改进SURF的稠密轨迹特征提取算法。本文在视频的稠密采样后,引入了改进SURF的相机运动估计,提取到优化后的特征,进一步的消除背景冗余信息造成的干扰,从而提高了特征提取的实时性以及准确率。(3)最后研究了特征的融合以及动作的识别方法,主要是针对提取到的单一特征以及直接组合的特征识别率较低的问题,提出了一种特征加权融合的方法,来对特征进行表达进而对动作进行识别。对实验结果进行分析和评价,结果表明本文提出的基于改进稠密轨迹的动作识别方法具有一定的优势。