1.一种深度图像的自适应聚类分割算法，其步骤如下：步骤1：建立深度图像样本库；

采用3D摄像机采集深度图像，场景不限，前景目标主要为操作者或是操作者的脸、手、手臂、躯干；

所述步骤1的3D摄像机为微软的体感外设3D摄像机Kinect；

步骤2：预处理步骤；

对采集的深度图像进行预处理，采用中值滤波过滤噪声，以便于后续处理；

所述步骤2的预处理方法为：采用中值滤波对图像进行平滑，过滤噪声；

步骤3：获取深度图像的直方图；

经过预处理后，提取深度图像的直方图数据；

所述步骤3中的获取深度图像的直方图过程为：在深度图像中，统计具有相同距离的像素点个数，得到相应的直方图；

步骤4：改进的自适应K-means算法基本步骤如下：（1）从直方图数据中选择N个点作为初始聚类中心；

（2）扫描全部数据，计算每个点与聚类中心的距离，并根据最小距离将该点归入相应的类；

（3）根据步骤（2）的划分，重新计算每个类的聚类中心；

（4）设定终止条件：如果条件满足，则算法终止；如果条件不满足，则返回到步骤（2）；

所述步骤4中的基本步骤（1）从直方图数据中选择N个点作为初始聚类中心，具体采用如下方法：按照从小到大的顺序，在直方图中查找连续不为零的一段数据，将其标记为一类，并将其中的最大值标记为该类的初始类中心；若该段数据宽度不足即：连续不为零的数据个数小于阈值T，则与相邻段合并，直到满足预设的数据宽度阈值T；在深度图像的直方图中，数据所表达的含义是深度信息，即：目标与采集设备的距离，若数据不连续即：两段数据的间隔超过阈值T，间隔中的数据均为零，即可判定为不同目标；

步骤5：提取分割阈值；

根据最终的类别中心点及类别标记信息，计算分割图像前景所需要的阈值。

2.根据权利要求1所述的的一种深度图像的自适应聚类分割算法，其特征在于，步骤4中的基本步骤（1）中，数据宽度阈值T通常设定为50 200；本发明优选为T=100。

~

3.根据权利要求1或2所述的的一种深度图像的自适应聚类分割算法，其特征在于，步骤4中的基本步骤（1）中N个点作为初始类别数目的上限预定为5个。

4.根据权利要求1的一种深度图像的自适应聚类分割算法，其特征在于，步骤4中的基本步骤（2）中的距离量度采用欧式距离。

5.根据权利要求1的一种深度图像的自适应聚类分割算法，其特征在于，步骤4中的基本步骤（4）中的终止条件设定为：前三类的聚类中心不再变动或总位移小于0.1，若实际类别只有两个，则为前两类的聚类中心不再变动或总位移小于0.1；或迭代次数达到10次。

6.根据权利要求1所述的一种深度图像的自适应聚类分割算法，其特征在于，步骤5中的提取分割阈值过程为：由步骤4得到类别中心和类别范围后，计算分割图像前景所需要的阈值；由于在深度图像中，前景通常为距离最近的目标，对应于类别中的第1类，因此可将第1类的类别范围设为分割阈值，实现前景的有效分割。