1.一种基于关键帧的多特征融合的人体姿态识别方法，其特征在于：所述人体姿态识别方法包括以下步骤：

（1）对视频图像提取Hu不变矩特征，计算图像序列的覆盖率，提取覆盖率最高的设定覆盖百分数为候选关键帧，然后计算候选关键帧的失真率，以提取其中最小的失真百分数为关键帧；所述步骤（1）中，计算覆盖率的过程：首先计算每两帧的相似性系数，当前帧和视频中的其他帧的相似性大于当前帧与其他帧的相似性系数平均值的则列入当前帧的相关帧集合中；则相关帧集合中帧与视频中所有帧数的比例即当前帧的覆盖率，求取视频中每一帧图像的覆盖率，并取覆盖率最高的30%的帧作为候选关键帧；

计算失真率的过程：首先计算图像的灰度值的估计概率，及图像的灰度级均值，然后计算每一帧图像的一阶、二阶、三阶矩，分表表示均值、方差和偏斜度，用此三维向量表示图像的特征，并计算关键帧的相关帧集合的平均矩和视频中所有帧的平均矩；最后计算候选关键帧的相关帧集合的平均矩与所有帧的平均矩的目标函数最大值，从而得到候选关键帧的失真率，取最小的50%作为该视频的最终关键帧；

（2）对关键帧进行前景图像的抽取，得到运动人体的前景图像后；

（3）提取关键帧的特征信息，所述特征信息为六星模型、六星角度和离心率；得到多特征融合的图像特征向量；所述步骤（3）中，所述六星模型的提取过程：提取人体前景图像的质心后，得到的人体侧影轮廓点与质心点之间的距离，将人体侧影图分为左右两部分，分别计算其两部分侧影的最上、最下和最左边点、最右边点与质心的距离；在六星模型得到了六个轮廓点到之心点的轴线后，计算轴线与相邻轴线之间的角度信息；计算人体侧影的离心率；

（4）使用一对一的训练好的分类模型，所述分类模型为基于SVM的姿态分类器，对姿态进行识别。

2.如权利要求1所述的基于关键帧的多特征融合的人体姿态识别方法，其特征在于：所述步骤（4）中，针对N类姿态，在任意两类样本之间设计一个SVM，因此就需要设计N*(N-1)/2个SVM。

3.如权利要求1或2所述的基于关键帧的多特征融合的人体姿态识别方法，其特征在于：所述步骤（4）中，分类模型的训练过程如下：(4.1)首先对人体的前景图像进行预处理，对于不同的行为视频片段，先对其进行基于码本的背景训练，通过视频序列帧与背景模型的图像差分，得到运动人体的前景图像，并进行形态学的图像处理，去除图像噪声；

（4.2）提取包含11种姿态的训练数据的特征，组成标准样本的特征库，使用多姿态融合的方法对运动人体进行姿态特征描述，所述11种姿态分别为行走、小跳跃、大跳跃、侧走、蹲下、弯腰、爬行、俯卧撑、仰卧起坐和坐下；

（4.3）通过对标准样本的学习，构建基于SVM的多类分类模型；

（4.4）利用测试样本对模型进行验证，如果低于预计的正确率则调整训练样本，返回到（4.1），直到高于预计的正确率，得到训练后的分类模型。