随着人工智能的发展,近几年研究人员对人体姿态识别的研究取得了较大的进展。论文在总结已有人体姿态识别研究现状的基础上,采用骨架信息进行特征提取,而非图像处理进行特征提取。传统的骨架特征建模是利用骨架的角度、角加速度、关节点的速率、加速率、动能、势能等动力学特征等作为建模参数。这使得姿态模型涉及参数多且参数的扰动对识别结果影响较大,识别的鲁棒性低。论文分析借鉴传统建模方法基础上,提出一种基于关节点三维坐标的人体身份和姿态建模方法,以及对应的具有高识别率的人体身份和姿态识别算法。该方法利用深度传感器获得人体骨架图,以关节点坐标信息为基础,进行特征提取。在特征提取基础上,建立基于感兴趣关节点长度的人体身份模型、基于距离法的静止姿态模型和基于坐标法的运动姿态模型。通过实验对模型进行稳定性分析,所建模型具有涉及数据量小和鲁棒性高的特点。为对模型进行准确分类求解,论文提出基于BP神经网络和卷积神经网络的识别算法。通过理论分析和实验验证确定了神经网络结构、对应的激活函数及主要参数。所提出的算法具有所需训练样本少,训练速度快的特点。神经网络模型经训练后,所提算法可以准确确定人体身份以及人体姿态。实际实验表明,人体静止姿态的识别成功率达到了96%,人体运动姿态和人体身份的识别成功率均达到了98%。故本文所提模型及算法可行有效,且所提识别方案具有操作性强、易于实现的特点。论文利用VS开发工具实现了人体姿态识别系统的研发。