人体动作识别在视频监控、人机交互以及游戏娱乐等产业中有着广泛应用。基于传统二维图像的识别方法容易受到复杂背景、光照变化、阴影和物体等因素的干扰,在实际环境中的应用受到较大限制。近年来,随着以微软Kinect为代表的低成本深度摄像机的出现,国际上掀起了基于深度图像的模式识别研究热潮。深度图像直接反映物体表面的三维特征,从根本上克服了传统图像动作识别遇到的困难。因此,融合二维图像与深度图像的特征表示以及分类方法对于提高动作识别的实用性具有很高的研究价值。围绕基于Kinect深度图像的人体动作识别技术,论文实现了一种刻画人体动作的算法,获得了一种新的人体动作描述符。首先论文使用投影向量初始量化四维空间,然后从深度序列中提取人体表面法向量在投影向量集上的分布特征构建直方图,并以此作为人体动作描述符。在此基础上,为了进一步提高识别率,论文借助初始SVM模型中支持向量的权重学习得到初始投影向量的密度并根据此密度优选出若干具有高可判别性的投影向量。通过对这些具有高可判别性的投影向量增加扰动生成新的投影向量集合。最后论文基于新的投影向量集合重新构建人体动作描述符。论文使用国际上通用的人体动作数据集MSR Action3D和MSR Gesture3D分别对论文实现的算法进行交叉验证。实验证明,对比人体动作识别领域中的其他算法,如Klaser等人提出的HOG3D算法,Yang等人提出的DMM-HOG算法等,本论文所实现的算法在正确率上高2%。在MSR Gesture3D数据集上,对比Omar等人提出的HON4D算法高4%。这说明了该算法的可行性和鲁棒性。