文献综述
本课题的现状及发展趋势：
人体姿态分析是人体动作识别领域的热点问题，也是机器视觉领域的研究热点，被广泛应用在人机交互、行为分析、多媒体应用和运动科学等领域[1]。国内外许多研究人员对此展开了研究。目前，主要有以下几种方法：（1）基于表面肌电信号[2]的人体动作检测系统；（2）基于可穿戴式的姿态检测系统[3]；（3）基于智能手机内置传感器检测系统；（4）基于视频图像的人体动作检测系统。
2010年11月，微软Kinect深度传感器的问世[4-5]，为研究基于深度图像的人体姿态检测技术提供了硬件支持。Kinect可以获取人体骨架信息和场景深度图像，并具备语音识别功能，能够及时的通知用户。相比于以上四种人体动作识别系统而言，基于Kinect的人体姿态分析系统拥有成本低、受光照影响小等优点。针对以上现有的人体动作姿势识别方法存在对环境背景要求较高、识别率不高和实时性不强等问题，本文提出了一种基于Kinect骨骼数据的人体动作姿势识别方法[6]。
近年来，Kinect等深度传感器不仅提供彩色图像数据，而且提供了三维深度图像信息。三维深度图像记录了物体与体感器之间的距离，使得获取的信息更加丰富。利用Kinect 的实时骨骼跟踪技术和支持向量机识别4种姿势（站，躺，坐和弯腰）[7]。
目前，将Kinect应用于人体姿态分析的方法大致分为两类，一类是利用Kinect骨架信息进行人体姿态分析，如 Smari[8]、Sun[9]及Maraj[10]等人的研究工作，一般是通过Kinect获取人体骨架关节点的空间位置，提取人体运动时各个骨骼点的特征，采用阈值法或支持向量机技术[11]，进行人体姿态分析。根据传感器获取的人体姿态信息和预定义规则，综合评价人体姿态。目前相关研究处于起步阶段[12]，人机交互平台下的人体姿态分析是研究的热点问题，但仍存在判断指标单一，复杂环境下效果欠佳甚至是失效等问题。提高算法精度和效率，提高复杂环境下系统的鲁棒性是仍需解决的问题。
本课题的价值：
工作相关肌肉骨骼疾患(Work-related MusculoSkeletal Disorders, WMSDs) 是由职业活动引起的肌肉骨骼损伤，是世界范围内的主要公共卫生问题。调查显示，个人因素和职业因素是引起WMSDs的主要原因。现代化办公模式下电脑越来越普及，办公室坐姿导致的肌肉骨骼疾患、颈椎病越来越普遍，同时还会引起许多慢性疾病，如肿瘤、心脏病、糖尿病和中风等。目前，该公共卫生问题引起了公众的关注，但国内迄今还没有针对这一问题提出有效的解决系统[13]。此外，人体姿态识别技术在老年人姿态的检测[14]、数字应用领域[15]和检测学生不良坐姿[16]等方面也有着重要的研究意义。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
