基于视觉的人体运动分析是计算机视觉领域的一个研究热点,在自然人机交互和虚拟现实等领域有广泛应用。基于逆向运动学的人体运动跟踪方法是面向单目视频的、基于人体外观模型和模板匹配技术的无标记人体运动跟踪方法,其具有无需标记、使用方便的优点,但是其具有跟踪精度不高且相当耗时的缺陷。本文针对基于逆向运动学人体运动跟踪算法跟踪精度不高与相当耗时的缺陷,提出了相应的改进方法。本文的主要工作和创新点如下：1.本文对基于逆向运动跟踪算法的关节位置预测方法和旋转角的计算方法进行了改进。关节位置预测方法的优劣会影响跟踪算法效率和有效性。基于逆向运动跟踪算法做了关节的运行模式是速度不变的假设,而真实的跟踪过程中关节的运动模型是变速的且带有随机性的,会导致他们的局部寻优较慢；当预测位置出现较大偏差,关节不在寻优区域时,会导致找不到准确的关节位置。因此,我们采用了粒子滤波的方式对关节位置进行预测,提高了跟踪的有效性。2.本文对基于逆向运动跟踪算法的模板匹配方法进行了改进。基于逆向运动学的跟踪方法采用的是灰度直方图匹配的方式。当关节在图像中的某几个位置时,此关节对用的形变外观模型的灰度直方图可能是一样的,因为灰度直方图表示的统计信息,它没有考虑到形变外观模型的每个像素对应情况,故它确定的最优匹配位置有可能不是最优匹配位置。故我们采用计算两者相关系数的方法对其相似程度进行评估,考虑了两个图像块对应像素的相似程度,比计算灰度直方图相似度的方法能更加准确的获得关节的最优估计位置,进而提高了跟踪算法的有效性。3.提出了利用3dmax生成序列图片作为测试样本,将跟踪结果与3dmax的得到的真实数据进行比较的验证方法。其中,图片序列的生成过程采用根据已知运动目标的关节位置,生成人体的动作序列,进而生成实验所需视频。然后,使用传统算法与本文算法在生成所得视频基础上进行运动目标的跟踪,从而获得运动目标的最优估计值。最后,将估计值与原始的真实值进行比较,通过计算各人体关节的图像空间的像素值偏差,来说明本文算法的有效性。