各行各业都在为构建平安社会贡献自己的智慧和力量,也由此催生了机械视觉学科以及图像识别技术的飞速发展。在公开场所,一个良好的智能监控系统可以预防犯罪行为的发生,帮助警方处理犯罪事件;在工厂,搭配图像处理功能的机器人可以检测产品各项指标,提高生产率与产品质量;在娱乐场所,“虚拟现实”、“增强现实”也做到了寓教于乐,带给人们感受因科技进步而产生的生活变化。一个完善的视觉系统因为研发成本低、控制性灵活、搭配硬件简单等因素,具有一定的市场需求和科研价值。为了对人体走路行为做出识别判断,改善以往算法识别精度,本文将Kinect摄像机与Unity编译器相结合,利用OpenCV函数库、DTW时间规划算法,NBC朴素贝叶斯分类器以及其他图像学知识,通过机器学习的方式,设立运动轨迹模板,并提出划分人体运动区域的概念,对动作发生位置不同而带来的差异也做出了有效区分,增加了识别率。既能应用在智能监控领域,例如步态分析,人体识别等,在图像识别领域,也具有一定的创新性。本文在图像处理算法设计上,提出了一种改进Canny算法,此算法用双边滤波器代替原有高斯滤波器,用Scharr滤波器代替原有Sobel滤波器,实验表明改进后的算法在人体深度图像的边缘检测上有更好的效果;在机器学习算法设计上,本文选择了基于DTW算法的平均模板训练方法,搭配NBC分类器,构建了DTW-NBC模型,对其训练流程做出了详细描述;在运动模型选择上,对不同模型的选取做出了一定的对比探究,最终选择了结合Unity屏幕划分编号的向量化方向角变化序列作为运动模型。最后,在详细论述系统设计方案后,通过对比实验验证了此人体走路行为识别系统可完成目标工作。为后续研究工作提供了理论与实际依据。