人体行为识别是计算机视觉领域中的一个重要研究热点,广泛应用于智能视频监控、运动行为分析、人机交互、虚拟现实等方面。近年来,随着Kinect等体感摄像机的推出,行为识别的重心逐渐转移到RGBD视频中。RGBD视频能够提供的深度信息、骨架信息,使得基于视频序列的行为识别遇到的问题,如背景复杂、光照影响等,都能够得到解决。本文在RGBD视频中的人体行为识别综述的基础上,分析了目前RGBD视频中人体行为识别研究的缺陷,根据目前的缺陷做了以下两部分工作:(1)基于关节点特征熵的自适应特征选择方法。该方法选取了两种特征,分别为HON4D特征与关节点相对距离特征。根据HON4D关节点特征的随机森林错误率,挑选判别力高的关节点组成HON4D特征。关节点相对距离特征根据其他关节点对照参照点计算相对距离,在特征上保留了最精简的特征信息,并且使用傅里叶时间金字塔提取时间精度。在特征熵计算中,使用HON4D关节点训练模型中的投票结果计算每个关节点上的平均信息熵作为自适应熵。根据测试过程中的熵的个数确定样本的HON4D特征对于样本本身是否具备代表性,否则就使用关节点相对距离特征。该方法不仅解决了目前特征融合中简单拼接造成的特征维度增大,并且能够解决两种特征串联导致的其中一种特征线性不可分、结果只受另一种特征决定的缺陷。实验结果验证了该方法的有效性。(2)高判别力的人体关节点选择以及特征表示。该方法采用RGB视频作为主要特征,关节点运动轨迹上的HOG3D特征,即为HOG3T特征。该特征可以更好的提取时间与行为的关系,降低特征提取的复杂度和特征提取后的冗余度,相比于HOG3D原有特征,其分类准确率有明显的提高。为了进一步降低特征维度,并且从语义上理解行为的实现,本文认为行为主要动作都集中在运动变化大的关节点处,因此,提出了以关节点运动变化累加量作为关节点判别力的标准。按照该方法得到的关节点判别力的排序,然后再根据该排序进行人体行为的分类识别。实验结果表明:与原有基于HOG3D特征的识别方法相比,基于高判别力的HOG3T特征的方法识别准确率有了一定的提升。