人体行为识别是一个新兴并且具有挑战性的研究领域,在人机交互、视频监控、智能医疗等领域具有巨大的使用价值。传统的人体行为识别大都是基于2D的视频和图像,识别效果不佳。随着深度传感器等3D技术的发展,能很好地减少识别过程中光照变化和环境背景等因素的影响,使得人体行为识别取得较好的识别效果。本文通过对3D骨骼数据的特征提取方式进行深入研究,提出一种基于混合局部特征的人体行为识别方法;同时,在此方法流程基础上对VLAD算法进行改进,提出一种基于改进VLAD的人体行为识别方法,并通过实验验证其有效性;然后使用此方法设计并实现一个人体行为识别系统。主要研究工作如下:1.针对现有人体行为识别方法特征表达准确性不高的缺点,提出一种基于混合局部特征的人体行为识别方法。该方法从局部特征提取的方式上进行改进,从骨骼关节点中提取位移矢量、相对位置和关节夹角等局部特征构建混合局部特征来描述不同种类的行为,不仅很好地描述行为的运动信息,同时保留判别能力较强的信息,去除多余的冗余信息。2.针对传统VLAD算法存在只包含一阶均值信息,很难完整地描述行为特征分布的问题,提出一种改进的VLAD算法。该算法将特征向量关联到近邻多个类别中心,并在最小平方误差的方式下将这些类别中心向量逼近对应的特征向量,得到的系数作为权值在多个类别中心上计算VLAD,同时,将特征聚合成固定大小的描述符向量。将此改进算法与本文提出的人体行为识别方法进行结合,通过实验验证此方法能更好地描述特征的分布信息。3.根据本文提出的人体行为识别方法,设计并实现一个人体行为识别系统,该系统可以读取保存在本地的人体骨骼数据,并识别出当前行为。