运动检测、目标分类与人的跟踪是人的运动分析中研究较多的三个问题，而人的行为理解和描述是近年来被广泛关注的研究热点。行为理解和描述的关键问题是如何从学习样本中获取参考行为序列，并且学习和匹配的行为序列能够处理在相似的运动模式类别中空间和时间尺度上轻微的特征变化。

匹配时变数据的技术通常有：①动态时间规整（Dynamic Time Warping，DTW）^[49]。DTW具有概念简单、算法鲁棒的优点，早期被广泛地应用于语音识别中，最近才被用于匹配人的运动模式^[50，51]；对DTW而言，即使测试序列模式与参考序列模式的时间尺度不能完全一致，只要时间次序约束存在，它仍能较好地完成测试序列和参考序列之间的模式匹配。②隐马尔可夫模型（HMM）。HMM是更加成熟的匹配时变数据的技术，它是随机状态机器。HMM的使用涉及训练和分类两个阶段，训练阶段包括指定一个HMM的隐藏状态数，并且优化相应的状态转换和输出概率，以便所产生的输出符号与在特定的运动类别之内所观察到的图像特征相匹配。对于每一个运动类别，一个HMM是必需的。匹配阶段涉及一个特定的HMM可能产生相应于所观察图像特征的测试符号序列的概率计算。HMM在学习能力和处理未分割的连续数据流方面比DTW有更好的优越性，当前被广泛应用于人的运动模式匹配中^[52]。③神经网络（Neural Network，NN）。它同样也是目前比较感兴趣的匹配时变数据的方法，如Guo等^[53]用其分析人的运动模式；Rosenblum等^[54]使用径向基函数网络从运动中识别人的情感。

对于人的行为识别而言，目前主要有下述两种匹配方法。

1.模板匹配方法

采用模板匹配（Template Matching）技术的行为识别方法，首先将图像序列转换为一组静态形状模式，然后在识别过程中和预先存储的行为标本相比较。例如，Bobick与Davis^[32]采用运动能量图像（Motion Energy Image，MEI）和运动历史图像（Motion History Image，MHI）来解释图像序列中人的运动。序列中的运动图像首先经差分运算并二值化；而后这些包含运动区域的二值化运动图像随着时间累加而形成MEI；最后MEI增强为MHI，MHI中每个像素的值与该位置的持续运动时间成比例。每个行为由不同视角下图像序列的MEI和MHI所组成，从中可以提取出基于矩的行为特征用于识别阶段的模板匹配。Polana与Nel-son^[33]利用二维网格的特征进行人的运动识别，首先计算连续帧间的光流场，并将每个光流帧在空间栅格上沿X和Y方向分解，每个单元格的幅度被累加，从而形成一高维特征量用于识别；为了归一化运动的持续时间，他们假设人的运动是周期性的，并将整个序列分解为该行为的许多循环过程；最后，采用最近邻算法进行行为识别。模板匹配技术的优点是计算复杂度低、实现简单，然而它对于噪声和运动时间间隔的变化是敏感的。(www.daowen.com)

2.状态空间方法

基于状态空间方法（State Space Approaches）^[34，35]定义每个静态姿势作为一个状态，这些状态之间通过某种概率联系起来。任何运动序列可以看作为这些静态姿势不同状态之间的一次遍历过程，在这些遍历期间计算联合概率，其最大值被选择作为分类行为的标准。

目前，状态空间方法已经被广泛应用于时间序列的预测、估计和检测，最有代表性的是HMM。每个状态中可用于识别的特征包括点、线或二维小区域。例如，Yamato^[34]等利用二维小区域块的运动、彩色、纹理等特征进行人的行为识别：人的运动区域块的网格特征被用作学习和识别的低级特征；学习是利用HMM来为每个类别产生符号模式；模型参数的优化是利用Baum-Welch算法实现的；识别是以给定序列图像下前向计算（Forward Calculation）的结果而确定的。Bregler^[35]基于人体动力学在不同抽象等级的统计分析提出了一个综合性的网络用来识别人的运动：识别过程起始于低级处理，基于运动、彩色相似度和空间接近程度等的小区域块以混合高斯模型来估计，不同的身体部分区域在图像序列中被跟踪；在中级处理阶段，具有一致运动特性的区域被匹配为动力学系统中的简单运动（如行走被认为是两个简单运动的组成，一个是腿的支撑，一个是腿在空中的摆动）；在高级阶段，HMM被用来作为这些中级动力系统的混合模型来表达复杂的运动，识别过程通过最大化HMM的后验概率来完成。状态空间方法虽然能克服模板匹配的缺点，但通常涉及复杂的迭代运算。