近年來,人體行為識別在計算機視覺和人機交互等領域有著廣泛的應用。隨著智能手機市場的迅速擴張以及微型傳感器的快速發(fā)展,人類智能手機中的嵌入了各種各樣的MEMS傳感器設備�；趥鞲衅髦悄茉O備的人體行為識別方面的研究成為了一個新興的分支,人體行為識別在健康看護、醫(yī)療檢測中提供了很好的支持。盡管該研究近年來取得了不錯的成效,但目前依然存在很多不足,例如:個人的數據較為隱私不易獲取、個人采集的數據量不充分、較為細致的動作識別研究精確度低等。在行為識別算法中,機器學習中的特征提取工程需要科研人員具備一定的先驗知識和大量的人力資源。隨著神經網絡的熱潮來臨,人體行為識別算法從傳統(tǒng)的機器學習過渡到神經網絡,它通過訓練網絡自動選擇特征從而實現分類。本文圍繞基于神經網絡和智能設備的人體行為識別方面展開了研究。數據來源于用戶跌倒和日常行為的三個公開數據集（UniMiB SHAR公開數據集、MobiFall公開數據集、MobiAct公開數據集）,通過對數據進行分析處理,并結合當前較為熱門的神經網絡進行分類建模。本文的研究內容分為三大部分,分別為基于傳感器的人類活動數據的前期處理、人類行為活動的識別分類和算法評估... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：94 頁

【學位級別】：碩士

【部分圖文】：

基于圖像的人體行為識別

狻?1.2.2基于穿戴式傳感器的人體行為識別隨著無線通信傳輸技術和微電子技術的迅猛發(fā)展，微型傳感器與無線通信設備相結合使人類生活更加便捷，人們可以通過智能識別技術很好地檢測人類的活動，當異常發(fā)生時可以及時向周圍發(fā)出警報�；诖┐魇絺鞲衅鞯娜梭w行為識別又可以大致分為兩種，分別是基于固有傳感器的人體行為識別和基于MEMS傳感器的人體行為識別。基于固有傳感器的人體行為識別中采集信息的傳感器尺寸較大，一般固定于某處，對周圍的信息進行采集，常用于比較大型的人類活動識別，如自動駕駛中的熱成像傳感器，如圖1-2所示。熱成像傳感器通過采集汽車周圍的傳感器信息，從而識別出車輛周圍的環(huán)境(行人、動物、障礙物等)，繼而達到一個輔助駕駛的功能。圖1-2熱成像傳感器人體行為識別基于MEMS傳感器的人體行為識別中采集信息的傳感器為微型傳感器，主要是鑲嵌在某些設備中起輔助作用。如圖1-3所示的是基于MEMS傳感器的人體行為識別示例，人類將微型傳感器嵌入到通訊設備中，當檢測到跌倒時，衛(wèi)星會收到該設備的位置，同時將該位置通過網絡發(fā)送給其他人進行救助，起到了很好的監(jiān)測人類行為活動的作用。當然還有其他的微型傳感器設備用于數據的收集，如人們利

第二章技術理論及相關算法11手機是否貼合耳朵，實現手機自動熄屏。重力傳感器可以實現手機橫豎屏的智能切換，陀螺儀傳感器可以實現VR虛擬現實以及地磁傳感器可以實現手機的指南針功能[44]。本文利用智能設備中的加速度傳感器和陀螺儀收集人類日常行為的傳感數據信息，加速度傳感器數據用于感知人體活動的幅度變化，陀螺儀用于感知運動的角度變化，智能設備的自然坐標系如圖2-2所示，X軸坐標軸即手機從左到右的走向，Y軸坐標軸即手機底部到頂端的方向，Z軸坐標軸則是面向使用者的方向。圖2-2智能設備的坐標系2.1.1加速度傳感器加速度傳感器是測量加速度的裝置[45]。固有加速度是物體在自身瞬時靜止坐標系下的加速度(或速度變化率)，加速度傳感器測量的加速度是固定坐標系下的加速度，即加速度傳感器在時空的任何一點上，保證了局部慣性框架的存在，加速度計測量相對于該慣性框架的加速度。加速度計能夠使飛機平穩(wěn)飛行，是飛機慣性導航系統(tǒng)中的一個重要部分。旋轉機械振動的檢測也可利用加速度傳感器實現。日常生活中，將加速度計用于平板電腦和數碼相機，可以使屏幕上的圖像總是垂直顯示。加速度傳感器主要通過壓電效應工作，通過作用在不同方向力的大小產生不同的形變，來產生不同的電壓與加速度變化，從而判斷該動作在X軸、Y軸、Z軸所產生的能量大校如圖2-3所示，現代的加速度計通常是小型微電子機械系統(tǒng)(MEMS)，它僅僅由一個懸臂梁和一個驗證質量(也稱為地震質量)組成[45]。加速度傳感器主要為電容式傳感器，加速度傳感器將物體移動方向的加速度變化幅度轉換成電信號，通過壓電效應感知人體活動幅度的變化，從而檢測X、Y、Z軸的加速度，如圖2-2所示。

【參考文獻】：
期刊論文
[1]人口老齡化:現狀、趨勢與應對[J]. 翟振武,劉雯莉.  河南教育學院學報(哲學社會科學版). 2019(06)
[2]基于SIFT和HOG特征融合的人體行為識別方法[J]. 韓欣欣,葉奇玲.  計算機技術與發(fā)展. 2019(06)
[3]視頻行為識別綜述[J]. 羅會蘭,王嬋娟,盧飛.  通信學報. 2018(06)
[4]基于深度圖像的人體行為識別綜述[J]. 孫彬,孔德慧,張雯暉,賈文浩.  北京工業(yè)大學學報. 2018(10)
[5]傳感器技術在可穿戴設備中的應用[J]. 劉歡,邱力軍,范啟富.  無線互聯科技. 2017(10)
[6]人體動作行為識別研究綜述[J]. 李瑞峰,王亮亮,王珂.  模式識別與人工智能. 2014(01)
[7]一種新型MEMS加速度傳感器的研制[J]. 楊要恩,孫幸成,王慶敏.  電子器件. 2013(02)

博士論文
[1]基于卷積神經網絡的人體行為分析與步態(tài)識別研究[D]. 李超.浙江大學 2019
[2]基于手機和可穿戴設備的用戶活動識別問題研究[D]. 孫澤浩.中國科學技術大學 2016

碩士論文
[1]基于深度學習的手勢識別及人體行為識別算法研究[D]. 廖毅雄.北京郵電大學 2019
[2]基于可穿戴設備的人體手部細微動作識別研究[D]. 錢立權.電子科技大學 2018
[3]基于RGBD數據的人體行為識別方法的研究[D]. 鐘萍.湖南大學 2017
[4]基于智能手機終端的駕駛行為風格檢測[D]. 任靜文.電子科技大學 2014
[5]基于多傳感器的人體運動模式識別研究[D]. 李路.山東大學 2013



本文編號：3353401