作为一种重要的信息传递方式,人体动作识别具有重要的理论研究价值,在智能家居、智能监控、视频游戏等领域有着广阔的应用前景。尤其是在更贴近日常生活的智能家居中,每个人都希望能够更加直观的操作家电,这种交互实现的前提就是计算机要能够通过观察动作理解人的意图。最初,动作识别技术的研究基于二维图像展开,但是由于二维图像缺少了一维距离信息,使得特征提取和表示受到很大的局限性,很难从中挖掘出更多的细节信息。所以有人基于二维图像进行三维重建,然而三维建模过程十分复杂。随着深度传感器的出现,结合深度图像和普通光学图像可以方便的获取三维场景信息,且避免了三维重构的复杂。基于上述分析,本课题使用微软提供的Kinect深度传感器,在其骨骼定位功能的基础上,设计适用于家居中的人机交互动作,对识别算法进行研究并实现。本文在了解Kinect SDK功能的基础上,重点研究其骨骼跟踪功能,利用API获取关节点三维数据并构建了人体骨架模型,这是后续研究的基础。基于骨架构建用于描述人体运动的特征模型是识别的关键步骤,所以本文针对人体结构特点构建特征向量,使用特征向量夹角和模比值的组合构建特征模型描述人体运动中的角度和相对位置变化,并使用数据集对特征模型的区分度和聚集性进行了验证。对于动作识别算法的研究是本文的重点。本文根据特征模型的特点选取了支持向量机(Support Vector Machine,SVM)算法用于动作识别。在对SVM原理了解的基础上设计识别流程,对其中的参数优化方法进行了仿真和比较,对比分析得出基于遗传算法的参数搜索速度最快。在算法应用阶段,本文设计了一个特征采集系统,并针对应用环境设计了一套应用于智能家居中的交互动作。将SVM方法应用于动作识别,经过特征数据提取、归一化、主成分分析、参数确定、训练过程后对动作数据进行测试分类,对优化前后的分类结果进行了分析,实现了对动作的准确分类。