文献综述（或调研报告）：
近年来，人体行为识别由于其广阔的应用前景，已经成为人工智能领域的热门研究之一。它是指利用模式识别、深度学习等方法，在采集到的视频中对检测到的人体行为进行自动分析与识别，从而在社会治安监控、医疗康复、健身评估、人机交互、智能家居、无人驾驶等领域发挥其重要作用。
其中，人体异常行为识别技术在监控系统中具有重大意义。如今，视频与监控设备虽已高度发达，无论是室内还是室外环境中，对于能够检测异常行为的智能系统的需求日益增加[1]，但能用于监控和分析镜头的人力资源却非常有限，如果一味依靠人力来进行监测与分析，需要解决的不仅是低下的效率，还有高昂的成本。
在家庭生活中，异常检测技术从安全监控到医疗保健都有广泛利用[2]，最常见的例子就是可以针对家庭中的小孩、老人发生摔跤等突发事件的识别与应急处理，诸如此类，可以十分有效地避免许多意外情况酿造的悲剧。作者为了强调正在开发异常行为检测算法的环境的一些重要特性，以及不同技术背后的动机，讨论了以下方面的研究：
- 学习框架，即有监督、无监督和半监督的方法；
- 移动目标的密度，强调拥挤和无排场景的特性；
- 异常和可用数据集的类型和定义，报告各种情况和异常定义。
虽然这一研究领域已收获许多成功，但仍有更多的工作需要去完成，包括异常检测算法的评估基准、如何减少计算需求和运行时间以及如何面对复杂场景的挑战。
文章[3]研究了家庭智能空间下基于语义分析的人体行为理解。与[2]相比，[3]认为通用的人体行为识别方法直接利用在非结构化的家庭中会出现系统建模复杂、信息采集不便以及识别结果单一等问题。为解决这些问题，作者构建了家庭智能空间下人体行为本体库，提出了家庭环境下基于残差网络的人体动作识别方法，提高了人体动作的识别准确率。同时，作者还提出了一种基于 DSmT 的物品融合识别算法，采用门限值对比的方法对融合结果进行判断。最后利用人物交互的思想编写 SWRL 人体行为准则，通过JESS推理引擎把人体行为本体库的知识与其匹配，成功从语义层次实现复杂的人体行为理解。
此外，基于主动学习与预测的特殊群体行为识别方法[4]不久前也被提出。作者的思路主要包括两个方面，一是行为描述，二是学习过程。在行为描述过程中，将视频的帧内特征、帧间特征、目标属性、行为属性和行为类别组合构建成行为的无向图模型，减少虚警现象，增强特征的区分能力。学习时采用主动学习方法，以行为类别顶点的熵最大和行为类别顶点之间的互信息量最小为准则进行主动学习，很大程度上降低了人工标记样本的数量和难度，同时也降低了不同行为之间的分类混淆现象。
除了家庭监控，在教室监控视频异常行为检测场景中[5]，智能分析也显得十分重要。每年学校的相关部门都会花大量的人力物力在教室监控视频上，涉及到教学评估、考场监考、违规行为监测、异常事件预警等。作者详细介绍了应用于物体识别的神经网络的特点与结构，并基于此设计了应用于教室监控视频中异常行为识别的深度神经网络，分析并实验证明了网络的实时性和识别的准确性。在此之后，作者在原网络基础上接入了 mask 模块，提高了网络较为粗糙的定位能力，明显提升了网络的识别效果。
目前的主流方法有两种，一种是通过特征提取的方式进行识别，另一种则是利用深度学习的方法达成识别目标。出于人体行为的复杂性与多样性考虑，若要提高识别效率与准确率，前者操作流程少，但是需要手动进行大量的特征提取，工作量颇大；后者省去了手动提取过程，但是需要大量的数据库作为支撑。文章[6]就现有的视频行为识别方法进行了总结与归纳。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
