随着人体移动行为感知技术的快速发展,以微软推出的Kinect为代表的各种体感设备相继问世并引发了巨大的轰动,它们不仅能够对人体的运动轨迹进行追踪,而且可以采集到深度图像信息,它们的出现极大地改变了人与计算机以及人与环境的交互方式。此外,当前的智能机器人技术发展迅猛,越来越多的智能机器人正在进入我们的视野。但是,机器人的操控技术并没有得到进一步的发展,我们仍然要依靠遥控器等设备对机器人进行操控。一方面,这种操控方式不能完全发挥机器人的功能,不能做到物尽其用;另一方面,操控方式僵化且不够自然。在本篇论文中,我们利用Kinect对人体的运动轨迹进行追踪和定位,同时采集人体骨骼点的坐标信息,从而可以获取用于刻画人体运动轨迹的骨骼点的坐标数据。通过对Kinect坐标系模型和机器人骨骼模型的对比和分析,我们实现了Kinect坐标系模型到机器人骨骼模型的转换,成功地将骨骼点的坐标数据转换成了机器人可以接受的关节的自由度信息。通过将转换后的自由度信息传输到机器人的控制中心,我们实现了基于Kinect的机器人操控。此外,我们使用相关算法将运动轨迹中的不同动作的轨迹分割开来,针对每个动作轨迹进行特征抽取,基于这些特征可以实现针对复杂动作且可扩展性较强的动作分类器。最后,我们实现了基于该动作分类器的实时的卡路里消耗量计算系统,进一步验证了我们方法的有效性。本文的贡献主要体现在以下几点:1.运动模型转换:通过人体的动作控制机器人的前提是将人体的动作信息传输到机器人的控制中心,但是Kinect提供的是人体骨骼点的坐标信息,而机器人只能接受各个关节的自由度信息,因此,我们提出了一个用于将人体骨骼点信息转换为机器人关节的自由度信息的计算模型。将人体骨骼点信息转换为机器人关节自由度信息的前提是Kinect能够感知到人体相应关节的自由度的存在,但是因为Kinect将人体的关节骼抽象成了一些骨骼点,因此,Kinect无法感知到某些关节自由度,比如肘关节的自由度ElbowYaw(肘关节偏航角)。本文提出的计算模型通过构造参考点很好地解决了这类问题。此外,我们根据Kinect获取的双脚的相对位置信息建立了一个状态机,通过运用这个状态机,我们很好地识别出了人体的行走方向信息,从而有效地控制了机器人的前进和后退。2.基于运动轨迹的动作识别:不同的动作其运动轨迹各不相同,因此,根据运动轨迹可以对不同的动作进行分类。通过抽取运动轨迹的特征信息,使得每个运动轨迹可以由一个特征向量来刻画。该工作的贡献在于从动态的角度提出了一种动作识别的思路。3.基于动作识别的原型系统实现:我们以8个动作为基础实现了基于运动轨迹的动作分类器。实验表明,该分类器性能良好,多数动作的识别准确率超过90%,对于一些相似的不容易区分的动作,其识别率也接近90%。紧接着,我们在这个分类器的基础上结合领域知识进一步开发了卡路里消耗量计算系统。该系统首先识别出动作类型,然后根据相关领域内对该类型运动的强度的界定估算出该动作消耗的卡路里。