随着社会经济的快速发展,国民的生活节奏逐渐加速,人们往往将重心放在了对物质生活的追求上,将大量的精力投入到工作和学习当中,而花费在体育运动、精神生活的时间日渐减少。这不可避免地将导致各种生理健康问题与心理健康问题的发生。多项研究发现,运动锻炼是能够缓解甚至解决这一问题的最有效途径之一。鉴于此,本课题组致力于大众的体育运动示教系统研究,帮助人们进行体育锻炼。在示教系统的研究中,目前存在的问题主要有三方面,一为动作捕获系统的价格昂贵、精度低、干扰大等问题;二为动作重现系统模型逼真度和系统运行实时性达不到用户的要求;三为精细的动作比对分析系统方法较少,而且缺乏标准的定性和定量评价方式。本文针对这些问题进行了相关研究:首先,在动作捕获系统研究方面,权衡精确度与价格因素,我们选择微软Kinect传感器作为动作捕获设备,其精度适中,价格便宜,且其非侵入式特性使其对用户运动影响较小。在捕获数据后处理上,将原始深度信息转换为骨骼信息进行存储,为后面的重建和分析奠定坚实的基础。其次,在动作重现系统研究方面,针对数据抖动问题,我们对Kinect生成的数据进行平滑处理,改善了动作重现效果;针对模型的失真和模型个性化的问题,选择MakeHuman作为模型生成器,通过中间插件的配合,生成逼真的个性化人体模型;针对模型与动作数据的匹配问题,我们找到了一组匹配参数,缓解了动作失真问题;针对动作实时性的要求,我们选择了OGRE图像渲染引擎完成模型与动作数据的整合,实现了游戏级别的动作重现效果。最后,在动作精细比对分析方面,我们提出了基于多关节线条图结合SIFT匹配算法的动作精细比对方法。针对多关节大数据的问题,我们将多维数据形式的数据转换为二维线条图数据的形式,可以将数据有效的降维观测和处理。针对动作细节相似性的问题,我们选用了SIFT特征匹配算法检索局部特征信息并进行匹配,解决了不同关节不同通道数据之间的耦合问题。针对动作节奏不一致的问题,我们对匹配后的特征点图像进行等时间间隔和等关键点比例的分段方式处理,分析关键点数量与时间之间关系,进而得到动作序列的快慢关系。