人体关节点定位是计算机视觉领域的热点研究问题。随着计算机软硬件技术的发展,其在游戏、监控等领域都得到了越来越广泛的应用。人体的姿态是高度变化的,且骨骼本身是隐藏在衣服层下面的,这些因素都加大了人体运动分析的困难,使得人体关节点定位技术的发展充满了挑战和机遇。深度图像的产生和发展使得人体关节点定位技术从实验室逐渐地走入人们的日常生活中。深度摄像机所捕捉的深度图像不含颜色信息,只包含目标的距离信息,由于距离信息不受光照,阴影等影响,从一定程度上更加有利于对目标的识别和预测。本文所做的工作主要包括以下几个方面：第一章简述了人体关节点定位技术的发展与深度成像技术的原理,分析比较了各种典型的基于深度图像的人体姿态分析算法,并对深度图像和彩色图像之间的特性进行对比；第二章对采集到的深度图像进行前景分割：首先使用RANSAC算法去拟合平面模型进而剔除天花板和地板,再利用目标对象表面的深度信息将人物区域从场景图像中提取出来；第三章运用随机森林分类器对人体区域中的各个像素点进行逐点分类,将其归类到各个人体部件中,其中采用的特征提取方式是结合图像像素点的偏移角度信息,来提取的局域深度梯度特征,这种改进的特征很好地保证了像素点的平移和旋转不变性；第四章研究Mean-shift的方法原理,利用其来搜索找到同类身体部件像素点中概率密度最大的位置作为关节点的位置。在此基础上,利用运动约束的先验知识去优化关节点的预测结果；第五章进行定量和定性的实验,对实验结果做出分析,得出相关结论,并与其他算法进行对比分析：第六章对于本文方法的性能进行总结并对本领域的发展前景做出展望。本方法训练分类器的时间平均为3500s,分类的准确率为68%,相较Kinect技术(40%)达到了较高的分类水平。预测人体关节点位置的平均时间为每帧150ms,符合实用性要求。