论文部分内容阅读
基于加速度传感器和陀螺仪的人体行为识别研究作为人工智能领域中近年来的一个新兴研究方向，其本质是通过分析人体运动时产生的加速度信号和陀螺仪信号，来识别人体的运动状态。在基于传感器的人体行为识别的研究当中，研究人员为了获取全面的人体运动信息，需要在身体的多个部位穿戴传感器，这样就大大地降低了佩戴者的舒适度。为了提高佩戴者的舒适度，也为了更好的降低系统的制造成本和数据的运算成本，本文采用单个传感器进行人体行为识别。 目前基于加速度传感器和陀螺仪的行为识别已经由理论阶段逐步迈向了实际应用。但仍面临很多亟待解决的问题，包括如何针对实际应用提取能够有效区分各个行为的特征，如何找到更有效的特征选择方法，如何保证设计的分类器识别精确度高、复杂度低，并且具有较强的泛化能力。基于上述问题，本文的研究主要包括以下几个方面: (1)对行为识别中特征选择方法优化问题展开研究，提出了一种组合式的特征的特征选择优化算法。将线性判别分析算法中类间离散度矩阵的非零特征值作为遗传算法中的个体，然后个体通过选择、交叉和变异等一系列遗传操作来搜索最优投影空间。与其他常用算法相比，这种组合式的特征选择优化算法能够有效的降低特征空间的维数和误差，显著的提高了人体行为识别的正确率。 (2)为使行为识别系统具备较高的识别精度和较好的泛化能力，针对单一使用KNN分类器、SVM分类器在人体行为识别中进行分类建模所出现的识别精度不高问题、泛化性差的问题。本文结合两个机器学习的算法特点以及动作类别的几何特征，提出一种分层分类器，分类器第一层利用SVM分类器对动作进行动作状态分类，然后第二层利用KNN分类器对每种状态下的动作进行分类。有效的减少了动态动作和中间动作之间混淆度，显著地提高的了对16种动作的识别率。