1.基于人体行为特征的分布式DTW人体行为意图识别方法，其特征是，包括以下步骤：获取当前帧人体行为特征并将其添加到人体行为特征时间序列中；

利用动态时间规整算法DTW对当前观测人体行为特征序列与数据库模板中已学习的特定行为序列进行匹配，计算两者之间基于卡方距离的最佳匹配相似度；

对该相似度取逆，经归一化后得到匹配概率；

将每个传感器的动作模式概率值作为一致性信息量与相邻传感器再一次数据交换，经过一致性迭代运算，最终相邻传感器节点的识别结果达成一致。

2.如权利要求1所述的基于人体行为特征的分布式DTW人体行为意图识别方法，其特征是，在计算匹配概率时，为融合周围传感器识别结果，相邻连接传感器之间互换匹配概率信息。

3.如权利要求2所述的基于人体行为特征的分布式DTW人体行为意图识别方法，其特征是，相邻连接传感器之间互换匹配概率信息的方式具体为：第i个传感器将k时刻动作模式α对应的匹配概率 与相邻传感器节点j计算的匹配概率 进行数据交换，并依据动作模式之间的转移概率矩阵M，确定动作模式α的概率值

其中η(k)是归一化因子，M(β,α)是动作模式β和动作模式α之间的转移概率值。

4.如权利要求3所述的基于人体行为特征的分布式DTW人体行为意图识别方法，其特征是，相邻连接传感器之间互换匹配概率信息后，若最终的 大于一定阈值，则认定当前观测目标动作序列与动作模式α匹配成功。

5.如权利要求1所述的基于人体行为特征的分布式DTW人体行为意图识别方法，其特征是，基于人体行为特征的分布式DTW人体行为意图识别方法在获取当前帧人体行为特征的步骤之前还包括构建具有平移不变和缩放不变的人体结构特征的步骤。

6.如权利要求5所述的基于人体行为特征的分布式DTW人体行为意图识别方法，其特征是，在构建具有平移不变和缩放不变的人体结构特征时，考虑到体型的个体差异，定义满足平移不变和缩放不变的条件的关节向量夹角和上肢部分关节向量模比值作为人体行为特征，关节向量夹角和向量模比值共同组成24维人体行为特征。

7.如权利要求6所述的基于人体行为特征的分布式DTW人体行为意图识别方法，其特征是，上肢部分关节向量模比值：

其中 是躯干中心到头部的向量模， 和 分别是头部指向左右手的向量模、 和分别是躯干中心到左右手的向量模。

8.如权利要求6所述的基于人体行为特征的分布式DTW人体行为意图识别方法，其特征是，平移不变和缩放不变的关节向量夹角信息的获取：通过OPENNI检测人体的15个关节点分布式信息，经过计算，可获取关节向量夹角信息，具体包括上肢部分10组，下肢部分4组，中间连接部分6组。

9.如权利要求8所述的基于人体行为特征的分布式DTW人体行为意图识别方法，其特征是，本申请中对获取的人体的关节点分布式信息进行一致性的估计，具体包括：骨架关节点位置初始化；

本地传感器对关节点运动估计：构建人体关节点的运动模型和观测模型，实现对关节点状态的有效估计；

传感器之间对目标关节点的信息一致性估计：定义人体关节点状态对应的信息向量、信息矩阵及其信息贡献和模型概率作为信息一致性算法的交换量；

每个传感器将自身估计的关节点信息向量、信息矩阵及其对应的信息贡献、模型概率发送给相邻的通讯传感器节点，并接受周围传感器的信息，利用信息一致性算法，融合周围传感器的估计结果，连续迭代数次，实现算法和估计结果的收敛。

10.如权利要求9所述的基于人体行为特征的分布式DTW人体行为意图识别方法，其特征是，本申请中对人体关节点分布式信息进行一致性的估计后进行基于彩色图像和深度图像多特征的联合数据关联，包括以下步骤：采用联合数据概率关联算法实现本地传感器节点对跟踪目标和目标观测之间进行第一次数据关联；

基于马氏距离的匈牙利算法实现传感器节点之间对跟踪目标的第二次数据关联；

各传感器之间交换关节点估计信息，通过一致性算法加权迭代实现各传感器估计状态的一致性；

其中，在第一次数据关联时，基于多特征的目标观测候选集调整机制，利用关节点位置观测信息z、彩色图像梯度方向直方图特征hc和深度图像梯度方向直方图特征hd构建三个阈值门限(γz,γc,γd)以限定观测集大小。