人体动作识别是人机交互领域重要的研究课题,在智能家居、虚拟现实、视频游戏等领域应用前景广阔。特别是在智能家居的场景中,基于人体动作识别的人机交互方式得到越来越多的关注和重视,其智能就体现在智能家居可以通过观察理解人的交互意图。然而当前的识别算法在人体动作识别的准确性、实时性和鲁棒性上,达不到实际要求的体验,特别是针对复杂人体动作的实时识别,在动作捕捉和识别都存在亟待解决的问题。为了解决人机交互中不同身高、体型用户的差异化人体动作识别问题,在已有的动作识别框架的基础上,从人体建模、特征提取和动作识别算法上进行深入研究,本文提出了以机器学习算法为核心的动作识别算法,设计了完整的人体动作识别流程解决这个问题。首先针对动作捕获问题采用深度摄像头Kinect的深度信息建立三维人体模型,通过特征选择和特征提取构建以运动向量的夹角和模比值为特征参数的动作数据特征空间,并用动作数据从区分性和聚集性两方面对特征的有效性进行了验证。其次针对动作识别算法,本文提出了以支持向量机(Support Vector Machine,SVM)为初步动作识别算法,以隐马尔科夫模型(Hidden Markov Model,HMM)为优化识别算法的人体动作实时识别流程。初步识别算法以多分类SVM为基础的动作识别算法,利用了SVM准确、快速的分类能力,以动作数据结构的差异性为依据可以实现对大部分数据的准确识别,通过引入惩罚因子和核参数对于离群点也能实现较好的识别效果。优化动作识别算法针对SVM误识别的结果,利用误识别数据和真实标签的概率约束关系用HMM对结果进行修正。其中,针对SVM的参数寻优问题通过数据的仿真和分析得出基于网格搜索算法确定的参数的准确率最高。最后本文搭建了智能家居模拟实验交互系统,建立了一个有13种动作、1300组动作的本地数据库。用本地数据库中的数据对实时动作算法进行训练、测试。实验结果表明,本文的动作识别算法在针对复杂动作识别的准确性、鲁棒性上都有提高。最终的动作准确率可达95.6%,同时满足实时识别的要求。