从视频序列中将人的各种行为进行有效地分类与识别,是智能视频监控、虚拟现实、人机交互等领域的基础研究任务。随着研究的不断深入,人体行为分析与识别已成为计算机视觉中的热点研究领域。人体行为识别的主要任务是利用计算机把采集到的原始图像或图像序列数据进行处理、分析、学习并理解视频中运动人体的动作行为,可应用于智能安全监控系统、人机互动、公共安全等领域,具有广泛的研究价值。在深入研究现有视频图像中运动目标捕捉算法的基础上,提出了融合LBP特征和运动特征的运动目标分类识别算法,算法主要包括运动目标检测、特征提取与行为识别三部分。在对运动目标检测的研究中,本文对光流法、帧间差分法、背景减除法进行了对比分析研究。针对帧间差分法在提取运动目标的时候出现检测目标不完整、容易出现空洞的缺点,提出融合三帧差分法与背景减除法来实现运动目标检测的方法。实验研究表明,融合三帧差分法与背景减除法处理得到的运动目标包含更加清晰完整的信息。论文在运动特征提取研究中,先提取分块视频序列的LBP直方图特征,并将处理得到的分块直方图特征按照分块的次序组合为运动目标的LBP特征,然后与运动人体质心的速度特征级联得到行为识别向量。得到运动目标的识别特征后,利用BP神经网络分类器进行分类识别。识别研究实验在weizmann数据库和KTH数据库上进行,分别提取了两种数据库的视频图像序列的特征向量,选择训练样本与测试样本,对分类器进行了训练、学习,待分类器收敛后,应用测试样本进行了人体行为分类识别的实验研究。实验验证了论文提出算法的有效性,分析了图像分块数目对识别率的影响。结果表明,本文提出的融合LBP特征和运动特征的运动分类算法能够准确、快速地检测运动目标和识别行为,且分块为5?5时,识别率可达到89.94%,能够满足实际应用的需要。