基于三维骨骼的人体行为识别一直是计算机视觉领域的研究热点,其目标是自动分割、捕捉和识别人体行为,自上世纪60年代开始受到学者们的广泛研究,它已被用于视频监控、保健医疗、智能机器人和虚拟现实等领域。虽然行为识别研究获取三维数据的方式有多种,但由于难以解决对前景和背景划分困难、图像颜色和纹理相似以及对光照、角度、遮挡、杂波,或多样性的数据集高度敏感等问题,因而在现实环境中获取数据信息非常困难。随着深度传感器的飞速发展,如微软Kinect传感器,它不仅提供了彩色图像数据也提供三维深度图像信息,因此推动了基于三维骨架算法的研究飞速发展。但是目前基于三维骨架的动作识别算法只选择一个固定的关节为坐标中心,因而提出的识别方法通常识别精度不是非常理想。本文算法针对目前动作识别算法中只选择一个固定的坐标中心而导致识别率不理想的问题,提出了一种自适应骨骼中心的人体行为识别研究,提高了动作识别率。本文提出的算法首先将骨骼动作序列的帧载入人体动作数据集,从序列帧信息中去除冗余帧,通过对序列进行预处理得到原始坐标矩阵,然后将原始坐标矩阵通过相对位置关系映射到李群空间上,特征提取时通过提取原始坐标矩阵生成刚体向量和关节角特征值,即刚体关节角的角速度和角加速度。本文在处理特征值时将20个人体关节减少到16个,以此减少刚体关节角的特征维数。自适应值可以根据刚体向量和关节角值的变化来确定,骨骼动作的坐标中心根据自适应值,归一化动作坐标矩阵,接下来使用动态时间规整方法对动作坐标矩阵去噪。最后采用傅立叶时间金字塔表示方法减少动作坐标矩阵的时间位移和噪声问题,利用支持向量机对矩阵进行分类。不同于现有的算法,本文提出的算法在MSR-Action3D、UTKinect-Action和Florence3D-Action数据集上进行测试,动作行为识别率均有不同程度的提升。在MSR-Action3D数据集上,算法的动作识别率高于HO3DJ算法、Profile HMM算法和Eigenjoints算法。在UTKinect-Action数据集上,算法的动作识别率高于HO3DJ算法和CRF算法。在Florence3D-Action数据集上,算法的动作识别率高于Multi-part Bag-of Poses算法、Motion trajectories算法和Elastic Function Coding算法。本文算法解决了现有采用一个固定关节的坐标中心动作识别方法的低精度问题,而且实验结果表明,与现有算法相比,该算法能有效提高动作行为识别的准确率。本文的主要贡献如下:第一,算法在进行骨骼数据信息预处理时,将现有的人体骨骼的三维数据序列从欧式空间中映射到李群空间SE(3)上,减少在欧式空间上直接进行转化处理数据造成的误差。第二,算法对人体骨骼数据进行特征提取时,构建了骨骼中心自适应特征值,提出了一种运动状态分析下的自适应分析和理解运动动作的方法。