Bu çalışmada insan vücut parçalarının açısal özelliklerine göre pozlandırıcıdangeçirilerek poz dizilimlerinin elde edilmesi ve bu dizilimler vasıtası ile el sallama,yürüme ve koşma hareketlerinin tanınmasında kullanılan örüntü algılama sürecisunulmaktadır. Çalışmanın ilk bölümlerinde resimsel yapılar modelinden yola çıkarak 10parçadan oluşan bir insan vücudu modeli tasarlanmıştır. Bu model daha sonra iki farklıveritabanına ait görüntülerin elle işaretlenerek açısal özelliklerinin çıkarımı sürecindekullanılmıştır. Bu sürecin sonunda elde edilen açısal özelliklerden bir açısal öz nitelikkütüphanesi oluşturulmuştur. Elle işaretleme yapılması vücut parçalarını otomatikbulabilecek görüntü işleme yöntemleri içinde bir soyutlama katmanı oluşturmuştur.Ayrıca farklı görüntü veritabanları ile çalışmakta açısal öz nitelik vektörlerinin farklıölçek ve yönelimdeki görüntülerden etkilenmesini sınanabilir kılmıştır. Açısalözniteliklerin elde edilmesinden sonra K-means algoritmasının kullanımı ile öz nitelikvektörlerinden poz kelimeleri oluşturulmuştur. Hareketin algılanması kısmında iseYapay Sinir Ağları ve Destek Vektör Makineleri kullanılmıştır. Başarımlar vektörboyutlarını eşitlemede kullanılan tekrarlı ve ortak poz ekleme yöntemleri ilehesaplanmıştır. Buna ek olarak poz dizilimlerindeki sıralamanın hareket algılamaya olanetkisini görebilmek için poz dizilimleri karıştırılarak ve ters çevrilerek testler yapılmıştır.Böylece poz dizilimlerinin sıralamasının hareket algılamada ki önemi vurgulanmıştır.
In this work, the process of recognition human actions such as handwaving,walking, runnig by using angular features of body parts is presented. In the first parts ofthe study a human body part model of 10 parts has been designed by using pictorialstructures. This model is again used in the manuel labeling process of images belongingto two different image database. At the end of this process, a library of angular featureshas been formed. Manuel labeling also creates an abstraction layer for image processingmethods which can automatically find body parts. Also working with different imagedatabases makes it possible to test usage of angular features against images with differentscales and orientations. After having angular features, k-means clustering is used togather pose words from angular features of body parts. In order to recognize actionsfrom pose words SVM and Neural Network classifers are used. Results are thencompared whether common pose or repetitive pose appending method is used to equalizeinput vector lenghts. In addition to these tests, other tests are applied to understand theimportance of pose arrangement order in action recognition. These test involve shufflingand reversing the pose arrangement order. Results also imply the importance of posearrangement order in action recognition.