發(fā)布時(shí)間：2018-06-01 16:10

  本文選題：加速度傳感器 + 人體多樣性�。� 參考：《天津工業(yè)大學(xué)》2017年碩士論文

【摘要】：近年來,隨著微電子和傳感器技術(shù)的不斷進(jìn)步以及模式識別理論的深入研究,基于加速度傳感器的人體行為識別得到快速發(fā)展。隨著社會的進(jìn)步,人們對智能交互和健康監(jiān)護(hù)等方面的需求也日益增長,所以基于加速度傳感器的人體行為識別在醫(yī)療保健、運(yùn)動(dòng)檢測、能耗評估等領(lǐng)域受到了廣泛的關(guān)注和研究。與基于加速度傳感器的行為識別相對應(yīng)的是基于計(jì)算機(jī)視覺的行為識別,相比之下,基于加速度傳感器的行為識別更能體現(xiàn)人體運(yùn)動(dòng)的本質(zhì),并且不受場景或者時(shí)間的限制,攜帶方便,成本較低,更適合推廣應(yīng)用。目前,在人體行為識別領(lǐng)域中,分類模型通常有兩種,分別是通用模型和個(gè)性化模型。但是通用模型沒有考慮人體多樣性問題,不能適用于所有人,而個(gè)性化模型需要人為干預(yù)較多,本文針對這兩種模型的不足提出了一種折衷的模型訓(xùn)練方法,即對人體多樣性因素分區(qū)間后的原始加速度數(shù)據(jù)進(jìn)行訓(xùn)練得到多個(gè)模型。另外,為了使識別模型適用于更加廣泛的情況,在數(shù)據(jù)采集階段還考慮了加速度傳感器的位置。該方法使得模型更具普遍性的同時(shí)又能夠提高識別精確度,通過對人體靜止、走路、跑步、上下樓梯五種行為進(jìn)行試驗(yàn),識別率達(dá)到了 95%左右。實(shí)驗(yàn)表明該方法是切實(shí)有效的。采集多種多樣的人的加速度數(shù)據(jù)并非易事,所以筆者又從算法角度進(jìn)行研究來提高行為識別的精確度。SVM算法最初是用來解決二分類問題的,對于多分類問題的效果并不是很好。為了使SVM算法更好地解決多分類問題,本文使用基于二叉樹的SVM,整合了 SVM和二叉樹的特點(diǎn),并使用最短距離算法進(jìn)行聚類使得分類更加準(zhǔn)確。由于SVM的分類精度主要取決于核函數(shù)與參數(shù)的選取,所以本文又結(jié)合了網(wǎng)格搜索算法選取核函數(shù)的懲罰系數(shù)c和核參數(shù)γ。最終實(shí)驗(yàn)識別率達(dá)到了 90%以上,通過與其他算法的結(jié)果對比,證明該方法也是可行的。
[Abstract]:In recent years, with the continuous progress of microelectronics and sensor technology and the in-depth research of pattern recognition theory, the acceleration sensor based human behavior recognition has been rapidly developed. With the progress of society, the demand for intelligent interaction and health monitoring is also increasing, so the acceleration sensor based human behavior recognition in health care, motion detection, Energy consumption assessment and other fields have received extensive attention and research. The behavior recognition based on acceleration sensor is based on computer vision. In contrast, the behavior recognition based on acceleration sensor can reflect the essence of human motion and is not limited by scene or time. Easy to carry, low cost, more suitable for popularization and application. At present, in the field of human behavior recognition, there are usually two kinds of classification models, one is general model and the other is personalization model. But the universal model does not consider the diversity of human body and can not be applied to everyone, but the personalized model needs more human intervention. In this paper, a compromise model training method is proposed to overcome the shortcomings of the two models. In other words, the original acceleration data of human diversity factors are trained to obtain multiple models. In addition, in order to make the recognition model suitable for a wider range of cases, the position of the acceleration sensor is also considered in the data acquisition stage. This method not only makes the model more universal but also can improve the recognition accuracy. The recognition rate is about 95% through the experiments on five behaviors of human body such as stillness walking running and going up and down stairs. Experiments show that the method is effective and effective. It is not easy to collect the acceleration data of a variety of people. Therefore, the author studied from the point of view of algorithm to improve the accuracy of behavior recognition. SVM algorithm was initially used to solve the two-classification problem, but the effect of multi-classification problem is not very good. In order to solve the multi-classification problem better, this paper uses SVM based on binary tree, integrates the characteristics of SVM and binary tree, and uses the shortest distance clustering algorithm to make the classification more accurate. Since the classification accuracy of SVM mainly depends on the selection of kernel functions and parameters, this paper combines the grid search algorithm to select the penalty coefficient c of kernel function and the kernel parameter 緯. Finally, the experimental recognition rate is over 90%, and it is proved that this method is feasible by comparing with the results of other algorithms.
【學(xué)位授予單位】：天津工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.4;TP212

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉相濱,向堅(jiān)持,王勝春;人行為識別與理解研究探討[J];計(jì)算機(jī)與現(xiàn)代化;2004年12期

2 李寧;須德;傅曉英;袁玲;;結(jié)合人體運(yùn)動(dòng)特征的行為識別[J];北京交通大學(xué)學(xué)報(bào);2009年02期

3 張偉東;陳峰;徐文立;杜友田;;基于階層多觀測模型的多人行為識別[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年07期

4 吳聯(lián)世;夏利民;羅大庸;;人的交互行為識別與理解研究綜述[J];計(jì)算機(jī)應(yīng)用與軟件;2011年11期

5 申曉霞;張樺;高贊;薛彥兵;徐光平;;一種魯棒的基于深度數(shù)據(jù)的行為識別算法[J];光電子.激光;2013年08期

6 鄭胤;陳權(quán)崎;章毓晉;;深度學(xué)習(xí)及其在目標(biāo)和行為識別中的新進(jìn)展[J];中國圖象圖形學(xué)報(bào);2014年02期

7 曾青松;余明輝;賀衛(wèi)國;李玲;;一種行為識別的新方法[J];昆明理工大學(xué)學(xué)報(bào)(理工版);2009年06期

8 谷軍霞;丁曉青;王生進(jìn);;基于人體行為3D模型的2D行為識別[J];自動(dòng)化學(xué)報(bào);2010年01期

9 李英杰;尹怡欣;鄧飛;;一種有效的行為識別視頻特征[J];計(jì)算機(jī)應(yīng)用;2011年02期

10 王新旭;;基于視覺的人體行為識別研究[J];中國新通信;2012年21期

相關(guān)會議論文 前7條

1 苗強(qiáng);周興社;於志文;倪紅波;;一種非覺察式的睡眠行為識別技術(shù)研究[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計(jì)算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

2 齊娟;陳益強(qiáng);劉軍發(fā);;基于多模信息感知與融合的行為識別[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計(jì)算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

3 方帥;曹洋;王浩;;視頻監(jiān)控中的行為識別[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

4 黃紫藤;吳玲達(dá);;監(jiān)控視頻中簡單人物行為識別研究[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計(jì)算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

5 安國成;羅志強(qiáng);李洪研;;改進(jìn)運(yùn)動(dòng)歷史圖的異常行為識別算法[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

6 王忠民;曹棟;;坐標(biāo)轉(zhuǎn)換在移動(dòng)用戶行為識別中的應(yīng)用研究[A];2013年全國通信軟件學(xué)術(shù)會議論文集[C];2013年

7 劉威;李石堅(jiān);潘綱;;uRecorder:基于位置的社會行為自動(dòng)日志[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計(jì)算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

相關(guān)重要報(bào)紙文章 前4條

1 李晨光;導(dǎo)入CIS要注意什么？[N];河北經(jīng)濟(jì)日報(bào);2001年

2 農(nóng)發(fā)行鹿邑支行黨支部書記 行長 劉永貞;發(fā)行形象與文化落地農(nóng)[N];周口日報(bào);2007年

3 東林;行為識別新技術(shù)讓監(jiān)控沒有“死角”[N];人民公安報(bào);2007年

4 田凱　徐蕊 李政育 信木祥;博物館安全的國際經(jīng)驗(yàn)[N];中國文物報(bào);2014年

相關(guān)博士學(xué)位論文 前10條

1 邵延華;基于計(jì)算機(jī)視覺的人體行為識別研究[D];重慶大學(xué);2015年

2 仝鈺;基于條件隨機(jī)場的智能家居行為識別研究[D];大連海事大學(xué);2015年

3 馮銀付;多模態(tài)人體行為識別技術(shù)研究[D];浙江大學(xué);2015年

4 姜新波;基于三維骨架序列的人體行為識別研究[D];山東大學(xué);2015年

5 裴利沈;視頻中人體行為識別若干問題研究[D];電子科技大學(xué);2016年

6 周同馳;行為識別中基于局部時(shí)空關(guān)系的特征模型研究[D];東南大學(xué);2016年

7 徐海燕;復(fù)雜環(huán)境下行為識別特征提取方法研究[D];東南大學(xué);2016年

8 吳云鵬;集體行為的識別與仿真研究[D];鄭州大學(xué);2017年

9 劉艷秋;舍飼環(huán)境下母羊產(chǎn)前典型行為識別方法研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2017年

10 何衛(wèi)華;人體行為識別關(guān)鍵技術(shù)研究[D];重慶大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 唐小琴;基于全局和局部運(yùn)動(dòng)模式的人體行為識別研究[D];西南大學(xué);2015年

2 胡秋揚(yáng);可穿戴式個(gè)人室內(nèi)位置和行為監(jiān)測系統(tǒng)[D];浙江大學(xué);2015年

3 陳鈺昕;基于時(shí)空特性的人體行為識別研究[D];燕山大學(xué);2015年

4 任亮;智能車環(huán)境下車輛典型行為識別方法研究[D];長安大學(xué);2015年

5 金澤豪;并行化的人體行為識別方法研究與實(shí)現(xiàn)[D];華南理工大學(xué);2015年

6 王呈;穿戴式多傳感器人體日�；顒�(dòng)監(jiān)測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];南京理工大學(xué);2015年

7 王露;基于稀疏時(shí)空特征的人體行為識別研究[D];蘇州大學(xué);2015年

8 于靜;基于物品信息和人體深度信息的行為識別研究[D];山東大學(xué);2015年

9 章瑜;人體運(yùn)動(dòng)行為識別相關(guān)方法研究[D];南京師范大學(xué);2015年

10 趙揚(yáng);家庭智能空間下基于行走軌跡的人體行為理解[D];山東大學(xué);2015年

，

本文編號：1964782