人体检测和定位，以及人体重要部位（如头部，手，腿等）的检测，是人体行为理解的基础，然而如何让计算机学会看这样最基本的问题目前还是无法完全解决的。通过图像传感器获得计算机可以“看”到的数字图像，借助于传统的方法如背景减除法，帧间差分法可以得到目标区域，也就是所说的前景目标。然而在实际环境中，光照，阴影，颜色纹理等噪声都会干扰前景目标的提取，所以很多学者都对复杂背景的建模进行了研究，并结合各自特征因子（如SIFT，SURE，Context），在一定的程度上提高了人体检测和定位的准确性，但是想到达到人眼的判断力还是需要很长的一段时间的。图1-4是利用背景相减法获得目标人体的例子，背景中的草丛和目标人体衣服的颜色比较相近，虽然使用的是背景建模方法，但是人体衣服的颜色以及环境中的噪声都会对人体目标的提取造成干扰，使得提取的目标不完整。28576
动作是时变得，准确的人体运动跟踪是动作识别的前提。人体跟踪根据不同的实际要求呈现出两种不同的样式。跟踪目标人体的位置，这类的跟踪将目标人物作为一个整体，其目的是在检测场景中确定目标的位置，进一步还可预测目标的运动方向，速度，趋势。例如在公共场所的监控系统中，常会看到用椭圆或者矩形框包围跟踪目标。这类跟踪技术就能实现跟踪效果。此外，还可以集合卡尔曼滤波，均值漂流等技术手段来提高跟踪的准确性。论文网
Kinect有关的研究一直都在火热进行中，如今Kinect已经逐渐走入了我们的日常生活中，比如游戏，医疗，监控等等。美国ObjectVision公司和Lenel公司，以及以色列Lolmage公司等著名公司已经成功的研究出了商用目标跟踪系统，而我国的中科院自动化研究也成功的开发出了有名的自动交通监控系统Vstar，代表着我国对于Kinect的研究层次也到达了一定的高度。但是由于目前Kinect技术尚不成熟，在运用的过程中仍然存在很多不同的问题，例如Kinect采集的视频，它所提供的深度信息存在以下缺陷：场景中亮度过高的区域的深度数据缺失。在检测人体时还具有特定的一些问题：如：人体下肢与地面接触部分的深度值接近，难以直接通过深度信息来分割；人体部分区域（头部，下肢）深度数据缺损严重。
Kinect的成功应用的案例到目前为止也有许多了。下面通过几个经典的案例来了解一下。 Kinect国内外研究现状:http://www.751com.cn/yanjiu/lunwen_23469.html