人体行为识别是计算机视觉的前沿研究课题,可应用在智能视频监控、人体行为分析和视频检索等领域中。近年来RGBD视频的出现为人体行为识别带来了新的机遇和挑战。在系统梳理RGBD视频的人体行为识别技术基础上,本文发现目前的研究存在如下问题:特征维度高、缺乏判别力部位分析、深度学习网络缺乏可解释性、特征融合难。因此本文分别针对上述问题,围绕着如何有效表示人体的动作特征展开研究,具体的研究内容和创新点如下:1、针对特征维度高和缺乏语义解释的问题,提出了一种基于随机森林袋外估计的判别力部位挖掘方法。该方法首先将各关节点部位的特征分别送入不同的随机森林分类器,得到各行为和整个数据集上的袋外估计错误率;其次,从各行为和整个数据集的角度,将关节点按错误率从低到高排序,得到各关节点的判别力排序表,再通过阈值比较,得到各行为和整个数据集的判别力部位,发现各行为中关键的特征所在。在MSRAction3D数据集上的实验表明:本文提出的方法在不损失准确率的前提下,大大降低了特征维度,且能挖掘出各行为的判别力部位,具有一定语义解释性。2、针对真实场景下的实时性和强判别力需求,提出了一种基于部位元动作的人体行为特征表示方法。该方法将工作1的判别力部位结果与聚类技术结合,首先引入单关节点部位的动态聚类,采用关节点判别力来动态确定聚类中心个数,将判别力强的部位聚类个数增大,反之亦然。再引入判别力部位整体聚类,选出高识别率的判别力部位,将每个判别力部位内所有的关节点视为一个整体,串联特征后聚类,得到新的元动作。对于给定的样本,某个部位的元动作特征定义为该部位基础特征与各聚类中心归一化欧式距离的串联。最后,分别采用单关节点部位动态聚类和多判别力部位聚类的元动作特征来表示行为。在MSR Action3D数据集上的实验表明:元动作特征表示能有效识别行为,且能高效降维,可用于实时场景中。3、针对现有多特征融合方法维度高和计算复杂的不足,提出了一种基于特征分类熵的多元特征选择方法。该方法考虑了三种单元特征:判别力部位的HON4D特征（DP-HON4D）、基于判别力部位DMM的卷积神经网络特征（DPDMM-CNN）和关节点运动位移（JM）特征,其中前两种特征侧重表观信息,JM特征侧重运动变化信息。特征选择时,首先采用随机森林分别训练各关节点的HON4D表观特征,计算各随机森林分类器的平均分类熵。其次,测试时先将样本的各关节点HON4D特征送入对应的随机森林分类器,计算样本的分类熵,统计所有关节点中低于对应平均分类熵的个数,超过一定阈值时采用表观特征,否则采用其他特征。在MSR Dailly Activity 3D数据集上的实验表明:本文提出方法能根据给定行为的特点进行多元特征选择,准确率比单元特征方法提升明显,与其他特征融合方法相比,算法简单且维度低。综上所述,本文从行为识别中存在的维度高、缺乏语义解释等问题出发,提出了基于随机森林袋外估计错误率的判别力部位挖掘方法,并进一步应用在关节点特征聚类、深度网络结构和多元特征选择中。在RGBD通用数据集上的实验结果表明,本文提出的方法能有效降低特征维度,并且能体现出行为间的类内变化和类间变化,给多特征融合等技术提供了借鉴,有利于促进识别、特征处理和分类等技术的发展。