目前，人体姿态检测识别的方法主要有基于计算机视觉的姿态监测和基于加速度传感器的姿态监测。基于计算机视觉的姿态监测有很高的准确率，系统的效率也较高，所以，已经有很多人体姿态监测与分类算法提出。2005年1月，Shotton 等人等提出了从分割好的图像中学习相应的目标轮廓模型，然后使用 Boost 分类器查找图像中目标的轮廓，从而得到人体各部分的位置信息，就可以实现人体姿态监测和分类[2]。26256
2010年5月，Bourdev L等利用HOG方法来提取图像中人体各部分信息，然后分别使用经典算法支撑向量机和随机森林来进行识别和分类[3]。
2012年12月，郑莉莉、黄鲜萍、梁荣华等提出的算法能够识别视频中的十二种人体姿态，包括走路、跳跃、爬行和弯腰等，算法首先提取前景图像中的星形轮廓位置、优尔星角度和离心率等多特征信息，组成人体姿态特征，结合该特征的向量表示利用基于径向基核支持向量机的分类器，实现各种姿态的识别[4]。论文网
计算机系统视觉算法来监测人体姿态的最大优势是准确率高，同时系统的效率高，但是该系统的缺点也十分明显，首先，由于监控设备的监测范围有一定限制，当被监测者离开这个范围的时候，系统就无法进行姿态监测和分类；还有就是这类系统成本比较高，不利于推广和使用；最后，这类系统不能很好地保护被监测者的个人隐私。
基于加速度传感器的人体姿态监测和分类技术是一种新型技术，该技术根据不同的人体运动信息，有多种运动模式的识别方法，其中，加速度信号是使用频率最高的人体运动信号，通过分析人体运动过程中的加速度数据来实现对人体姿态的监测和分类。
2008年1月，Sa-kwang Song等人通过在手机中嵌入三文加速度传感器，对日常生活中的常见动作状态进行分类，以实现对人体姿态的监测，识别率达到了 97.9%-99.30%[5]。
2010年1月，曹玉珍、蔡伟超、程旸提出了一种基于MEMS加速度传感器的人体姿态检测技术，该技术采用人体加速度向量幅值(SVM)和微分加速度幅值的绝对平均值(MADS)描述人体运动状态，进而作跌倒判断；为兼顾算法的准确性和实时性，设计采用多级探测的思想[6]。
2011年9月，Julien Stamatakis、Julien Cremers等利用4个加速度传感器对帕金森病中的步态不稳如冻结步态、不对称姿态等的参数进行特征提取，构建了一个步态特征提取的系统，通过测量步态速度、步幅时间、步幅大小、摆动相位等来对PD患者的步态进行分析，从而判断患者的步态特征，并将结果与医生判断的结果进行比较[7]。
2013年10月，李景辉、杨立才针对传统人体姿态解算算法中存在的稳定性差和解算精度低等问题，提出一种基于多传感器信息融合的姿态解算算法[8]。
与基于计算机视觉的人体姿态识别与分类相比较，基于加速度传感器的人体姿态识别和监测技术具有很多的优势，如不受环境和场地的限制，检测方法简单，可保护人们的隐私等等，因此该系统更容易被人们所接受。
基于加速度传感器的人体姿态识别和监测技术中，有多种方法可以实现对人体姿态的分类，比如通过微分加速度幅值的绝对平均值MADS(mean absolute value of differential SVM)和人体加速度向量幅值SVM (signal vector magnitude)来区分人体运动状态，通过互补滤波和PI调节求得姿态角来对人体姿态进行分类，通过一对一法的决策树式对人体姿态进行识别，其中具体方法有阈值法、持续判定法、积分法、前后续姿态判别法等等。 人体姿态检测识别技术国内外研究现状:http://www.youerw.com/yanjiu/lunwen_20372.html