随着机器视觉和图像处理技术的不断发展,人体动作识别得到越来越多的关注,在运动分析、智能监控和人机交互等领域应用广泛,同时也有一些问题没有得到很好地解决,进而影响计算机对动作的理解。传统的研究中大部分是基于RGB图像和RGB视频开展的,存在着数据背景复杂、视角变换和人体尺度不同等问题。Kinect相机带来新的图像获取方式,研究者们开始关注骨骼数据在动作识别上的优势,问题是需要依赖设备对骨骼数据进行提取。所以,针对上述问题,本文提出基于视频图像的关键点检测方法,从图像中提取人体骨骼关键点,利用骨骼数据提取相应特征并设计分类识别和评价算法。本文将进行如下研究:首先构建实验数据集,采集八类太极拳动作,为提高识别效率和精度对数据集进行关键帧提取、图像滤波去噪和尺寸归一化。提出基于Open Pose模型的骨骼关键点检测方法,对骨骼数据预处理,确定主关节点,删除冗余关节点。针对因遮挡导致的骨骼关键点缺失的问题,提出骨骼关键点填充算法,得到完整的人体骨骼模型,建立标准实验数据集。其次提出基于骨骼数据的特征提取方法,提取归一化距离特征、关节角度特征和关节速度特征,并通过融合特征描述动作姿态,利用主成分分析降低特征维数,减少冗余信息。最后提出基于KNN-DTW动作识别和评估方法,解决动作序列长度不等的问题,首先以DTW距离构建KNN分类器对动作分类识别,提出改进DTW算法,在传统DTW算法基础上对累积距离进行参数优化,使规整路径更逼近对角线,设置阈值T减少时间复杂度。其次提出以DTW算法为基础的动作评价方法,计算标准动作序列和待测动作序列之间关节角度的差值,定义的动作评价公式对动作进行评估。研究结果表明:本文提出的特征提取方法对分类识别具有可行性,基于融合特征的KNN-DTW识别方法在自制数据集上的识别率达到90.3%,相比于单一特征的识别率有所提升。在KTH和Weizmann两个公开数据集上对提出KNN-改进DTW分类算法进行验证,识别率达到91.4%和90.9%,相比于传统DTW算法识别率有所提升,验证本文提出的识别方法具有普适性。动作评价公式实现对太极拳动作的有效评估,起到辅助打分的功能。