近年来人体行为识别是计算机视觉领域的热点问题之一,并且存在许多重要的研究问题,比如人机交互、基于群体的活动识别以及视频中人类的活动分析,可以在公共安防、智能家庭和交互游戏中应用,但是传统的行为识别提取特征工作量大、鲁棒性不高。此外摄像头存在遮挡以及光线等因素的影响,从而动作的准确率受到了很大的影响,本文提出利用骨骼关节点的方法来进行日常行为的识别,相比传统因素干扰较少,本文的工作主要有以下三点。(1)本文选择使用微软开发的kinect2.0深度传感器,利用kinect采集的三维骨架关节点信息进行动作的状态识别,设计了一套基于Kinect的动作识别系统,我们已经使用C++语言完成了系统的编写工作。该系统根据人体测量学、人体速度和重心等重要特征,可以识别摔倒、站立、盘坐、坐、跪五种状态,虽然本方法的识别动作较少,但优点是特征计算简单,易于实现,在特点的场景应用具有很好的价值。(2)对于更加复杂的动作使用神经网络进行识别,本文借助Openpose得到人体骨骼数据,通过重新定义卷积运算中用到的采样函数和权重函数来对骨骼图上的采样区域和权值大小进行限定,并在时间和空间上进行卷积运算,得到适用于本文行为识别的骨骼模型,建立图卷积GCN(Graph Convolutional Networks,GCN)网络。(3)根据系统的需求,使用OpenCV制作了裁剪日常行为的视频工具,建立了人体日常动作的数据集,将其合理分割获得训练集和测试集,并结合迁移学习,通过训练新的模型,改善由于动作的模糊而产生识别错误,最后使用Pyqt5和OpenCV建立了一套简单系统,将识别出的动作进行显示和统计,最终完成了日常行为识别的搭建,并验证了其有效性。在使用kinect深度传感器检测五种状态的识别率均以达到80%以上,在特定的场景下,比如老人检测摔倒的情况下非常方便,部署简单,效率高效。根据骨骼点信息建立的图卷积神经网络进行测试与改进,实验表明,利用本文自制的数据集,识别率上升到60%到80%的区间,超过了模型在kinetics数据集上的精度,说明了本文的系统是有一定的效果。