1、人體行為識(shí)別作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)研究熱點(diǎn)，它受到了越來越多研究者的關(guān)注并且在計(jì)算機(jī)視覺領(lǐng)域有著廣泛的應(yīng)用，例如:智能監(jiān)控、智能安防、虛擬現(xiàn)實(shí)、運(yùn)動(dòng)性能分析以及高級(jí)的人機(jī)交互等。現(xiàn)有的大多數(shù)人體行為識(shí)別算法都是從RGB視頻中提取底層或高層的視覺特征來表示人體行為，這些算法的識(shí)別準(zhǔn)確率在噪聲、雜亂背景、局部遮擋以及相機(jī)視角變化的影響下急劇下降。因此，提取高效率以及顯著性的視覺特征是成功的人體行為識(shí)別系統(tǒng)的關(guān)鍵步驟。
　　近些年來，

2、由于操作簡單以及價(jià)格低廉的視覺傳感器(Kinect)的出現(xiàn)，許多研究者提出將Kinect相機(jī)采集到的深度與骨骼數(shù)據(jù)應(yīng)用到人體行為識(shí)別上。受此工作激發(fā)，本文針對(duì)深度和骨骼數(shù)據(jù)研究相應(yīng)的人體行為識(shí)別技術(shù)。本文主要工作和創(chuàng)新點(diǎn)如下:
　　首先，針對(duì)現(xiàn)有基于骨骼節(jié)點(diǎn)的行為識(shí)別算法的準(zhǔn)確率低，計(jì)算復(fù)雜等問題，提出了一種基于關(guān)鍵骨骼節(jié)點(diǎn)的人體行為識(shí)別算法。它的基本思路是:采用一種改進(jìn)的K-means算法與節(jié)點(diǎn)運(yùn)動(dòng)量相結(jié)合的方法提取關(guān)鍵骨骼節(jié)點(diǎn)

3、子集，然后，進(jìn)一步計(jì)算關(guān)鍵骨骼節(jié)點(diǎn)的深度占用模型DOP(Depth Occupancy Pattern)以及3D關(guān)鍵骨骼節(jié)點(diǎn)的位置特征來描述人體行為。為了降低提出的關(guān)鍵骨骼節(jié)點(diǎn)特征的維數(shù)，本文采用傅里葉時(shí)間金字塔FTP(Fourier Temporal Pyramid)來編碼這些特征。最后，L2正則化協(xié)作表示分類器L2-CRC(L2-Regularized CollaborativeRepresentation Classifier)被

4、用來進(jìn)行人體行為的分類。
　　其次，針對(duì)深度序列的獨(dú)特性質(zhì)以及特征融合對(duì)行為識(shí)別的重要意義，提出了一種融合多種異質(zhì)特征的人體行為識(shí)別算法。本文直接從深度序列中提取3D點(diǎn)云序列，然后利用一種由粗到細(xì)的算法從3D點(diǎn)云序列中計(jì)算多尺度局部時(shí)空特征描述子，它包括多尺度的局部位置模型MSLPP(Multi-Scale Local PositionPattern)以及兩個(gè)相鄰的MSLPPs之間的運(yùn)動(dòng)距離。此外，本文采用特征融合的方法將多尺度局