计算机视觉的研究在过去的三十多年中飞速发展,人体行为分析在智能监控、人机交互、虚拟现实和基于内容的视频检索与解说等方面有着广泛的应用前景和潜在的经济价值,成为了计算机视觉领域中备受关注的前沿方向之一。随着其应用范围的不断扩大以及应用需求的不断增长,复杂背景下的人体目标特征提取与描述算法成为该领域内的研究难点以及重点问题。首先,改进了一种基于消除摄像机抖动影响的密集点轨迹特征描述算法。该算法在原提取密集点轨迹特征的基础上,考虑了原始视频中存在摄像机抖动影响画质这一主要因素,在预处理过程中,提取SURF特征和高效光流特征,采用随机抽样一致算法进行特征点匹配,使视频画质增强,进一步提高识别结果。其次,在人体行为识别算法方面,将基于字典对学习的人体行为识别算法应用于视频分析中,通过引入辅助域,与原始训练集(文中也称为目标域)共同进行字典学习,重建字典对,获得稀疏表示,有效地扩充了训练集的类内多样性,减小了由于类内多样性而带来的错判率。在人体行为视频数据的表示方式上,密集点轨迹作为特征描述方式,然后进行字典对学习,获得动作类相应的稀疏表示,本文算法为字典学习和训练分类的过程合并起来的学习框架,可利用字典对学习算法中的重建误差进行分类。最后,实验在MATLAB仿真条件下,实施了对人体行为特征提取与描述和人体行为识别算法的两组实验。人体行为特征提取与描述算法方面,与SIFT点轨迹以及KLT轨迹对比,证明本文轨迹可以处理变化模式快速且不规则的运动模式。人体行为识别算法方面,将UCF YouTube数据集作为原始训练集,将HMDB51数据集作为辅助域的数据集,选取两个数据集中动作类别一致的7个动作,即骑车,潜水,打高尔夫球,跳,击球,骑马,投球这7个动作,根据提出算法流程,进行特征提取与识别,通过与相关算法进行对比,识别效果都有明显提高,证明了本文算法的有效性。