1.一种融合改进的SILTP和局部方向模式的学习者姿态识别方法，其特征在于由下述步骤组成：(1)图像预处理

对学习者姿态图像进行尺度归一化处理，并将图像转化为灰度图像{G(p,q)}，p是灰度图像像素点的横坐标，q是灰度图像像素点的纵坐标，p、q均为正整数；

(2)提取三尺度加权的自适应SILTP特征

(2.1)根据全局和局部邻域对比度值的离散程度自动生成当前邻域的自适应阈值ε，并进行SILTP编码，得到自适应SILTP，自适应SILTP的表达式为式中(xc，yc)为灰度图像{G(p,q)}像素点的位置，Ic是中心像素点的灰度值，Ik是以中心像素点为圆心、半径为R区域内N邻域所对应的像素点的灰度值，k∈{0,1,...,N‑1}，R为有限正整数，N取4或8，ε是自适应阈值，是比特连接运算符，sε是分段函数；

所述的分段函数sε为

(2.2)提取灰度图像{G(p,q)}的三个尺度的自适应SILTP特征，并将该三个尺度的自适应SILTP特征以不同权重融合，得到三尺度加权自适应SILTP特征FMWA‑SILTP；

所述三个不同尺度的自适应SILTP特征加权融合的方法如下：

(a)把灰度图像{G(p,q)}送入自适应SILTP中，获取灰度图像{G(p,q)}在半径R分别为

1、4、6三个尺度下的自适应SILTP直方图特征向量H1，H2，H3，并对特征向量H1，H2，H3分别归一化为H′1，H′2，H′3；

(b)对特征向量H′1，H′2，H′3进行加权融合，得到三尺度加权自适应SILTP特征FMWA‑SILTP，FMWA‑SILTP＝w1×H′1+w2×H′2+w3×H′3     (3)式中，w1是R＝1尺度对应的权重，w2是R＝4尺度对应的权重，w3是R＝6尺度对应的权重，w1+w2+w3＝1且w1、w2、w3均为正数；

(3)提取改进的局部方向模式特征FLVR

(3.1)把灰度图像{G(p,q)}送入局部方向模式中，选取前3个最大边缘响应绝对值并设为1，提取灰度图像{G(p,q)}的局部方向模式特征FLDP；

(3.2)通过计算灰度图像{G(p,q)}每个像素点在(R1，N1)邻域内的方差VAR值，提取灰度图像{G(p,q)}的方差VAR直方图特征FVAR，R1是邻域半径，N1是邻域节点数目，R1为正整数，N1取4或8；

(3.3)将局部方向模式特征FLDP和方差VAR直方图特征FVAR进行融合，作为图像{G(p,q)}的改进的局部方向模式特征FLVR；

(4)将三尺度加权自适应SILTP特征FMWA‑SILTP和改进的局部方向模式特征FLVR进行融合，得到姿态识别的总特征FMWASILTP‑LVR；

(5)采用支持向量机对学习者姿态进行分类识别。

2.按照权利要求1所述的融合改进的SILTP和局部方向模式的学习者姿态识别方法，其特征在于所述的步骤(2.1)中自适应阈值ε生成公式如下：式中u是图像水平方向上像素点的总数，w是图像垂直方向上像素点的总数，Δgpq是灰度图像{G(p,q)}像素点的灰度值与平均灰度值的差值， 是灰度图像{G(p,q)}像素点的灰度值与平均灰度值的差值的均值，ΔIk是中心像素值Ic在(R,N)邻域内的对比度值， 是中心像素值Ic在(R,N)邻域内对比度值的均值；

所述的中心像素值Ic在(R,N)邻域内的对比度值ΔIk为

ΔIk＝Ik‑Ic,(k＝0,1,…,N‑1)    (5)

所述的中心像素值Ic在(R,N)邻域内对比度值的均值 为

3.按照权利要求1所述的融合改进的SILTP和局部方向模式的学习者姿态识别方法，其特征在于：所述的R＝1尺度对应的权重w1为0.6，R＝4尺度对应的权重w2为0.2，R＝6尺度对应的权重w3为0.2。

4.按照权利要求1所述的融合改进的SILTP和局部方向模式的学习者姿态识别方法，其特征在于所述的步骤(3.3)中局部方向模式特征FLDP和方差VAR直方图特征FVAR按下式融合：FLVR＝[FLDP,FVAR]     (7)。

5.按照权利要求1所述的融合改进的SILTP和局部方向模式的学习者姿态识别方法，其特征在于所述的步骤(4)中三尺度加权自适应SILTP特征FMWA‑SILTP和改进的局部方向模式特征FLVR按下式融合：FMWASILTP‑LVR＝[FMWA‑SILTP,FLVR]     (8)。