人体姿态估计指的是在图像或者视频数据中找到人体的重要关节点比如头、手、脚的位置,是目前机器视觉中的一个前沿课题,广泛应用于人体活动分析、高级人机交互、虚拟现实等众多领域。人体姿态相似性度量指的是通过某种度量方式去衡量不同人体姿态之间的相似性,对于基于数据库检索的人体姿态识别等问题的研究有着至关重要的作用。目前基于传统RGB彩色图像的人体姿态估计有大量研究,但其很容易受到光照、噪声、复杂背景等因素的影响。随着2011年微软推出Kinect体感设备,消费级深度数据获取设备变得越来越普及,因此基于深度图像进行人体姿态估计的方法也受到了更多人员的关注,而且深度图像数据具有不受光照情况影响、不受复杂背景干扰等优点。人体姿态相似性度量工作主要包括两个阶段:人体姿态特征的构造和人体姿态度量的学习。目前大多数研究工作进行人体姿态特征构造的方法主要是基于人体关节点数据进行,而人体关节点数据有时候并不能直接获取,需要借助人体穿戴式设备或者其他类似于Kinect等系统平台来获得。基于以上因素,本文研究了一种基于深度图像的人体姿态估计方法;对于人体相似性度量问题,本文构造了一种基于人体部位聚类特征的人体姿态特征。本文在提取人体特征过程中,通过引入超像素处理方法简化人体数据,相对于直接使用原始点云数据有效提高了计算效率,同时也较好保持了人体的完整结构。在由人体特征回归到关节点的过程中,通过约束回归模型中关节之间距离,有效提高了关节点估计的精度。本文直接基于部位聚类特征构造的人体姿态特征,避免了从特征点回归到关节点的工作。本文的研究工作主要包括以下两方面:1.提出了一种基于超像素聚类的深度图像人体骨架的提取方法,主要包含从深度图像中提取人体特征点、利用回归模型将人体特征点映射到人体骨架点两个方面。其中提取人体特征点部分,使用了超像素方法简化人体点云数据规模,显著提高了后续利用测地距离求人体肢端点、求取人体部位并获得聚类特征点的效率;对于将特征点回归到关节点的模型,本文在稀疏回归的基础上添加了关节点之间的距离约束项,有效提高了模型估计的精度。2.提出了一种直接基于部位聚类特征点构造的人体姿态特征表示,避免了从特征点回归到关节点的工作,提高了效率。本文提出的人体姿态特征主要由部位聚类特征点的点、线、面三种类型信息构成,并与基于关节点构造的人体姿态特征在马氏距离基础上进行了人体相似性度量实验。本文提出的方法分别在Kinect采集的数据、EVAL数据集、Poser Pro生成的虚拟数据上进行了实验,结果表明,本文提出的姿态估计方法在精度与效率等两方面与同类方法比较都有提升;本文构造的人体姿态特征与基于关节点构造的人体姿态特征在人体姿态相似性度量工作上有着相当的表征能力,而且免去了从特征点回归到关节点的工作,提高了效率。