针对红外视频人体行为识别问题, 提出了一种基于时空双流卷积神经网络的红外人体行为识别方法。通过将整个红外视频进行平均分段, 然后将每一段视频中随机抽取的红外图像和对应的光流图像输入空间卷积神经网络, 空间卷积神经网络通过融合光流信息可以有效地学习到红外图像中真正发生运动的空间信息, 再将每一小段的识别结果进行融合得到空间网络结果。同时将每一段视频中随机抽取的光流图像序列输入时间卷积神经网络, 融合每一小段的结果后得到时间网络结果。最后再将空间网络结果和时间网络结果进行加权求和, 从而得到最终的视频分类结果。实验中, 采用此方法对包含23种红外行为动作类别的红外视频数据集上的动作进行识别, 正确识别率为92.0%。结果表明, 该算法可以有效地对红外视频行为进行准确识别。

提出基于关键帧技术的单次学习的动作识别方法。首先把样本动作建模为若干关键姿势的集合，然后利用关键帧把测试视频分割为单个动作，最后结合关键姿势相似度的时间加权计算动作匹配概率，进行动作识别。该动作识别方法只通过单次学习，提高了效率。使用标准深度数据库进行实验，实验结果显示了该方法的有效性，尤其在区分差别比较细微的动作方面。

针对背景静止的立体视频提出了一种快速的基于背景重构的视频分割算法。先利用帧差法分别确定出左右视频的前景运动区域，再重构出该区域的背景图像，最后，通过视频图像和背景图像的对比来准确地提取运动前景。然后，先匹配左右图像序列的背景图像，并保存它们的匹配结果，再分别对各立体图像对的运动前景进行匹配。采用该方法将立体视频分割可以减少图像数据的传输量和储存空间; 同时，视频分割之后再做匹配运算，减少了立体匹配的时间。

针对固定场景监控中复杂背景、光照变化、阴影等影响视频分割的问题,提出了一种有效的混合高斯模型的自适应背景更新算法,各像素点根据其像素值出现的混乱程度采取不同个数的高斯分布描述,通过对背景模型的学习与更新、高斯分布生成准则等方面的改进和优化,采用基于形态学重构的阴影消除方法使得前景目标分割的性能得到了有效地提高。文中同时给出了光照突变检测及其背景更新方法。通过对各种实际场景的实验仿真表明,该算法能够快速准确地建立背景模型,准确分割前景目标,与其它算法比较具有更强的鲁棒性。

提出了一种基于宏块类型信息的快速视频分段算法:对MPEG视频流进行两次分析,第一次(粗略分析)只分析P-帧中宏块统计信息,检测出可能存在的镜头边界,第二次(精确分析)再对粗略分析找出的边界邻近的B-帧和P-帧的宏块类型进行分析,从而对场景变换进行精确分析和定位.实验结果表明,粗略分析可以满足实时检测的速度要求,帧定位误差控制在10帧之内,精确分析可以进一步把帧定位误差控制在2帧之内.