随着社会的进步和人们对自身的健康的日益重视,对社会医疗资源的需求也更加多样化,可以在社区与家庭中方便使用的低成本诊疗设备是对医院医疗的一种重要补充。人体步态能够反映一定的生理、心理和病理状况,因此对步态进行分析是一种有效的人体健康状况评价方式。但现有的步态分析系统价格昂贵,操作复杂。针对基于深度图像的低成本步态分析系统,本文从前景提取、目标跟踪、关节定位和步态参数分析四个方面对无标记点的人体运动检测和步态分析方法开展研究。本文的主要工作和创新点如下:(1)根据Kinect深度图像的特点,引入并改进ViBe算法处理深度图像进行人体运动检测。提出了一种自适应的图像分层处理和不同邻域模式的建模方式解决地面像素值连续性造成的地面附近运动检测困难问题,增加了去除“鬼影”现象的参考模型。像素分类时增加了前景点检验步骤,通过当前像素与参考模型的比较消除“鬼影”。在模型更新方面增加了基于前景点的背景模型更新策略,解决了“黑影”现象。(2)对于多运动目标下特定目标跟踪,引入并改进了Camsift算法。该算法增加了自适应的并且限定范围的像素直方图模型更新策略,解决跟踪目标跳变及遮挡跟踪失败问题。对于出现的定位框偏移现象引入Kalman算法,当定位结果上下偏移过大时利用预测位置代替检测位置,再通过缩小范围建模更新直方图模型。最后,通过获得的定位框优化ViBe算法处理结果将目标人体从图像中分割出来。(3)为了解决人体下肢关节定位问题建立多关节骨架模型。首先根据前后腿间是否含有连续背景像素判断膝关节与踝关节有无遮挡现象。采用自适应阈值法来区分侧面人体的前后腿,再利用比例扩大法和边缘定位法进行下肢各关节定位。(4)为了从关节定位结果中提取出最大曲度角等指标。首先利用最小二乘法对离散的关节点数据集、膝关节差值变化、膝关节角度变化进行曲线拟合。再通过对这些轨迹的分析获取步态周期,步行速度等步态参数,得到评价指标。在人体下肢关节定位实验中,将本文算法的定位结果和人工标定进行比较,定位误差均值在人体身高的1%以内。通过正常步态与异常步态的分析对比验证了本文给出的健康评价指标的有效性。