建目标并将其投影到圆柱坐标系，提取Fourier变换特征以描述行为。Wa
g和Suter451也将整个行为过程融合为基于轮廓的平均运动形状MMS和基于运动前景的平均运动能量彳扭两个模板。模板匹配法计算复杂度低、实现简单，但它本身无法描述动态系统，也不能完全反映数据在空问上的分布属性，具有一定的局限性。而且不同行为之间执行速率的不同、噪声、光照等因素都会影响模板匹配的准确性。2目标建模法行为可以通过建立人体动态表观模型进行描述。常见的人体模型有棍图模型【109、2D模型例及3D模型51。3D人体建模是最常用的人体结构表征方法，通过跟踪人体模型中主要
f关节点的坐标、关节之间的角度、关节点运动的速度及角速度可以分析人体各种行为。3D模型包含深度信息，因此它能够有效解决自遮挡和自碰撞问题。行为本身也可以看成是一个3D空时目标，如Mahmood等【1刁在联合X．YT空间将整个行为表示为圆柱体模型。Yalmaz和Shahll31将跟踪获得的人体2D轮廓堆叠成联合X．YT空间中的目标，这种表达同时刻画了人体表观及动态运动特性。从X．Y玎空问的表达中提取的各种几何特征，如峰、凹点、谷及脊等，可以作为目标表面的捕述，但它需要建立序列帧点与点之间的对应关系。Gorelick等【6】采用背景剪除后的二值剪影替代人体轮廓，构造出X．YT空间一上的空时目标，虽然它不需要建立序列l；ji之间轮廓点之间的对应关系，但仅适用于摄像机固定的情形。3流形学习法行为识别中所处理的视频数据处于三维空间，若将序列中每帧图像转换为向量并按时序排列构成矩阵处理，将会遭遇“维数灾难”，同时也会引起小样本问题。而流形学习方法假设数据均匀采样J：高维欧氏空间中的低维流彤，从高维采样数据中恢复低维流形结构，并求出相应的嵌入映射，以实现降维。它可分为线性方法及非线性方法。线性流形学习假设数据位于线性空问，包括PCA、ICA等方法。但在实际情形下，数据并非位于线性空间，需要从大量样本中学习流形的内部几何结构。非线性流形学习方法大体分为两类，一类基于全局方法，如等距映射届∞纠尸，计算每一个数据点与其他数据点关系而建立全连接图。另一类方法基于局部，即考虑每个数据点与它邻域内的点的关系，定义图中的边及其权重，如拉普拉斯特征映射。一些非线性方法的线性近似，如Lppt48108l，加入类别信息的流形方法如LSTDE491，可以直接求得投影矩阵用于解决新样本的低维嵌入问题。流形学习方法可用于行为分析中原始数据的降维，r