行为识别是计算机领域重要的研究课题,可广泛应用于智能家居、健康监控、安防和远程沉浸式等领域。随着微软RGB-D摄像头Kinect的推出,Kinect逐渐在行为识别领域展露出自己强大的功能,成为行为识别领域的一个新的手段。基于Kinect的行为识别具有低计算量、高鲁棒性和抗干扰能力强等特点。由于Kinect能够输出人体骨骼节点的三维数据,因此提供了一种高维数据来辅助识别,能够提高识别精度和效率。然而,基于Kinect的行为识别依然存在识别率低、计算复杂度高等问题,导致其实用性不高。因此本文在此基础上,提出了相应的解决方案。针对目前行为识别方法中,骨骼表示方法导致行为识别率不高问题,本文提出了一种用于Kinect的骨骼层级模型。通过将人体骨骼数据划分为六层结构,利用层与层之间关系,去除原始骨骼节点数据中冗余信息,提高骨骼表示有效性。之后利用协方差进行骨骼数据编码,训练SVM分类器进行分类识别。在两个数据库上的实验结果表明,相较于现有成果,本文提出的模型识别精确度提高约3%,同时效率提高约9.375%。针对目前行为识别方法中,身体局部动作骨骼编码方法导致行为识别率不高问题,本论文在骨骼层级模型上,结合身体分块机制,进一步分类。之后对每类进行二分类的SVM计算,统计每个分类器的准确率。然后利用logistic给每个分类器进行权重划分,按照划分好的权重进行加权计算,得到各个类与SVM超平面的距离。试验结果表明,此方法进一步提高行为识别率。在两个常用子集上提升了2.97%。