人体行为识别应用技术是机器视觉中一个重要的领域,具有极大的挑战性和吸引力,应用领域主要集中在智能安防监控(如医院、交通、家庭、学校、军事训练场、运动场等),人机交互,虚拟现实,还有一些涉及行为识别较少的领域,如互联网中基于内容视频检索以及智能图像压缩等。因此,从行为识别技术的广阔应用前景来看,其具有巨大而潜在的经济价值和社会价值。但从现有的人体行为技术可以来看,其存在如下技术缺陷:(1)环境适应性不强,对于光照、非人体的动态物体很难排除,对于识别造成干扰;(2)对人体朝向角的适应性不强,(3)识别率不高。针对上述问题,本文提供了一种应用Kinect的室内人体行为识别研究方法。在室内小范围情况下,利用微软的Kinect设备,提取RGBD数据,研究这些数据的行为表示和识别方法,并提出融合人体3D骨架特征和HOG特征的多特征表示方法,克服了所述技术缺陷中的(1)和(2)两点,并且也同时解决了Kinect获取数据的不稳定性,然后对特征进行在线字典学习和稀疏主成分分析,最后集成多任务大边界最近邻(MT-LMNN)与线性支持向量机(LSVM),以打分机制的形式对行为进行分类识别,做出最佳判决,有效地克服了技术缺点中的问题(3)。本文通过大量的实验数据测试,并与先进算法进行比较,结果表明,本文采用的融合特征和集成分类器的打分机制具有较好的识别率。本文的研究工作对于后续的研究工作具有良好的借鉴意义,同时具有一定的应用前景和学术价值。