人体动作识别由于其在视频安防和人机交互等领域的广泛应用,一直以来都是计算机视觉和模式识别等多个交叉学科的研究热点。传统的动作识别算法主要针对二维图像或彩色视频序列开展了大量的研究,提出了很多经典的图像处理方法,但是由于二维图像本身的数据缺陷,使得这些算法容易受到光照变化、遮挡等环境因素的影响,动作识别率不太理想。随着计算机视觉技术和硬件设备的发展,人们发现通过Kinect设备获取的深度图像可以不受光照变化、遮挡和视角变化等的影响,因此,越来越多的科研工作者开始基于深度图像的动作识别算法的研究。从视频或图像中提取到用于表征人体动作的关键运动信息是动作识别的重要步骤。本文针对基于深度图像的动作识别方法进行研究,探索动作识别中特征提取的新思路,具体内容如下:第一,对基于深度图像的运动历史图(Motion History Image,MHI)和静态历史图(Static History Image,SHI)等动作表征方法进行了介绍,在深入研究之后对其进行了改进优化,使得运动历史图和静态历史图能够保留更关键的运动信息,并且将LBP(Local Binary Pattern)特征描述子引入了动作识别算法中,在特征表示之后对特征模板提取了LBP特征,得到用于分类的特征向量,最后使用支持向量机(Support Vector Machine,SVM)进行分类。通过在公开数据库上的仿真实验对比显示了我们提出的方法的有效性。第二,提出了基于运动能量自适应划分的子动作运动历史图,该方法能够根据运动能量的累积自适应地将整个动作分成若干个子动作,得到各个子动作的运动历史图并将其作为特征模板。之后,再进一步对该模板图像提取HOG描述子和LBP描述子并分别使用SVM分类器进行学习分类。通过实验结果的对比表明所提出的方法能够更好的捕捉到表示动作的关键运动信息,尤其对于相似度较高的动作有着很好的分辨能力。