视频监控中的人体在计算机视觉领域的关注度较高,并且人体姿态估计是在计算机视觉领域有广泛运用前景的研究课题,所以在计算机视觉方向中人体姿态估计已成一个非常重要的研究热点。受到人体姿态的多种多样、遮挡与自遮挡、光照等问题的影响,现存的人体姿态估计技术尚无在鲁棒性和运行效率方面都令人非常满意的解决方案。本文针对这一问题,以深度图像为基础,提出了一种利用深度图像的光照不变性、空间信息一致性等优势的人体姿态估计方法。首先由于传统的图像特征提取方法并不适合人体姿态估计这一领域,本文利用深度图像与传统RGB图像相比不易受到光照变化、背景复杂以及人体服装的差异较大的影响,提出了一种基于深度图像梯度(Gradient of Depth,Go D)的特征提取方法。该方法利用图像中深度信息计算出每个像素点在水平方向和垂直方向的梯度值;其次计算每个像素点与邻域内像素点之间的差值,从而得到一个四维特征。将人体姿态估计这一问题简化为单纯的深度信息的人体部件分类。通过实验证明,不仅在准确率上有着明显的提升,并且具有更强的鲁棒性。其次,由于人体姿态估计的最终目标是应用在现实场景,因此在运行效率上具有较高的要求。本文以降低测试阶段的时间为目的,在原有的随机森林基础上,通过对决策树的权重排序和在测试阶段减少参与最后决策的决策树的方法优化了随机森林,并通过实验验证了在没有降低准确率的情况下,在测试阶段减少了时间开销。最后总结了论文的研究内容,同时指出了研究中的不足之处,并且进行了对后期工作的展望。