张全贵，蔡　丰，李志强

(辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125105)(*通信作者电子邮箱545130868@qq.com)

0　引言

人体动作识别是为了让计算机通过一些方法判别出捕捉到的人体动作类别，在行为科学[1]、社交媒体等方面得到了广泛的应用及发展，如智能视频监控、家庭服务机器人[2]等。在微软公司发布Kinect之后，使得获取的图像数据受较少外部因素干扰而更为准确，因此近年来基于深度图像数据的人体动作识别成为一个研究热点。例如，申小霞等[3]利用Kinect获取图像信息及金字塔特征来描述行为信息，并且通过使用支持向量机(Support Vector Machine,SVM)算法进行行为分类；Shotton等[4]提出一种新的方法从一个单一的深度图像预测人类姿势，该方法基于当前目标识别策略，通过设计中间表示部分把复杂姿态问题化为简单问题；张毅等[5]将行为识别应用到医疗康复训练方面，同样采用Kinect采集数据，同时使用了朴素贝叶斯模型，并通过调整模型阈值提高识别率。

以上这些方法都具有一定的优势，并且能达到较好的识别效果。但现有的基于人体关节点进行人体动作识别的研究一般假设关节点之间是相互独立的，即没有考虑关节之间的相互关系。根据人体运动解剖学，人体在完成某个动作的时候各个关节点之间是相互制约和协同工作的，即关节点之间具有一定的耦合关系[6]。例如，从桌子上拿起水杯这个动作，胳膊的肘部活动一定会影响到手腕的活动。如果忽略各部位之间的交互，这样分析可能会导致大量信息的损失，因此本文将考虑人体各部分之间的相互影响关系，即耦合关系。……