摘要：目的人体行为识别在视频监控、环境辅助生活、人机交互和智能驾驶等领域展现出了极其广泛的应用前景。由于目标物体遮挡、视频背景阴影、光照变化、视角变化、多尺度变化、人的衣服和外观变化等问题,使得对视频的处理与分析变得非常困难。为此,本文利用时间序列正反演构造基于张量的线性动态模型,估计模型的参数作为动作序列描述符,构造更加完备的观测矩阵。方法首先从深度图像提取人体关节点,建立张量形式的人体骨骼正反向序列。然后利用基于张量的线性动态系统和Tucker分解学习参数元组(A_F,A_I,C),其中C表示人体骨架信息的空间信息,A_F和A_I分别描述正向和反向时间序列的动态性。通过参数元组构造观测矩阵,一个动作就可以表示为观测矩阵的子空间,对应着格拉斯曼流形上的一点。最后通过在格拉斯曼流形上进行字典学习和稀疏编码完成动作识别。结果实验结果表明,在MSR-Action 3D数据集上,该算法比Eigenjoints算法高13. 55%,比局部切从支持向量机(LTBSVM)算法高2. 79%,比基于张量的线性动态系统(t LDS)算法高1%。在UT-Kinect数据集上,该算法的行为识别率比LTBSVM算法高5. 8%,比t LDS算法高1. 3%。结论通过大量实验评估,验证了基于时间序列正反演构造出来的t LDS模型很好地解决了上述问题,提高了人体动作识别率。