人体姿态识别是计算机视觉领域中一个重要的研究方向,已经在人机交互、智能监控等多个行业中得到了广泛应用。对视频中运动人体部位的准确识别,可为人体姿态识别研究奠定基础,从而降低人体行为分析难度。为了避免光照强度、阴影、物体纹理等外界因素的干扰和减少人体部位匹配模型自身误差的影响,本文基于深度图像,采用特征分类的方式将人体部位识别问题转换成部位像素点的分类问题。为聚集部位像素点的分类信息,通过聚类算法实现部位关节点预测,然后提取人体三维骨架图,作为人体部位识别最终输出结果。本文的主要研究内容可分为以下几个方面:1.鉴于目前没有公开的人体部位标记样本库,为了解决人体部位识别缺少训练数据的问题,本文引用CMU运动捕捉数据库动作序列,通过Kinect传感器获取深度图像,采用人工标记法自行构建人体部位标记样本库。考虑到人体体型受性别、胖瘦、着装差异等因素影响,所以本样本库数据源由多个不同体型的采样对象在真实场景中采集得到。2.为了提高人体部位识别准确率,以深度差分特征为基础,引入人体部位尺寸因子,采用随机森林算法构建分类模型。通过实验表明,采用改进型分类模型识别人体部位时具有更高的部位识别准确率。3.为了预测部位关节点和提取人体三维骨架图,本文首先基于Mean shift算法,结合人体部位尺寸因子,提出带宽自适应部位大小的改进型Mean shift部位关节点预测算法;然后根据人体生理结构,用直线连接相连部位关节点,再融合深度信息,最终完成人体三维骨架图的提取。通过实验表明,采用改进型Mean shift算法对部位关节点预测正确率具有一定的改善作用。