智能空間下基于AHRS的人體動作識別.pdf

1、人體動作識別研究是進行人體行為理解和友好人機交互的重要前提和關(guān)鍵組成部分。近年來，隨著信息化和智能化的發(fā)展，如何穩(wěn)定準確地識別出人體動作并理解人的行為意圖，讓機器人、智能化設(shè)備等更加人性化地為人服務(wù)成為了眾多學者研究的熱點。
　　隨著MEMS技術(shù)的迅速發(fā)展，穿戴式傳感器在人體動作捕捉方面漸漸顯出優(yōu)勢。穿戴式傳感器不會受光照、背景等外界環(huán)境的干擾，又克服了攝像機監(jiān)測區(qū)域受限的缺點，因此，越來越多的研究者用它進行動作識別和行為理解。<

2、br>　　針對人體動作識別問題，本文設(shè)計了一種穿戴式傳感器模塊—姿態(tài)航向參考系統(tǒng)（Attitude and Heading Reference System，AHRS），它主要由CPU、陀螺儀、加速度計和磁力計組成。利用擴展卡爾曼濾波(Extended Kalman Filter，EKF)算法進行多傳感器數(shù)據(jù)融合，解算出穩(wěn)定精確的姿態(tài)角度、角速度和加速度。然后基于AHRS模塊搭建了人體動作捕捉平臺，為動作識別提供數(shù)據(jù)基礎(chǔ)。
　　由

3、于本文所涉及的手勢動作是人為定義的特殊動作，模板相對固定，且動作種類較少，適合利用動態(tài)時間規(guī)整（Dynamic Time Warping，DTW）算法進行動作識別。提出了一種結(jié)合端點檢測(Endpoint Detection，ED)的動態(tài)時間規(guī)整算法，對提取的手部動作特征（三軸姿態(tài)角度和運動加速度）進行模板匹配和分類。并對DTW算法分別在參考模板建模、失真度計算和最優(yōu)路徑選取等三方面提出了改進策略，提高了系統(tǒng)的實時性和準確性。
　

4、　人體基本動作識別是進行人體行為理解的基礎(chǔ)。本文所述的人體基本動作是指構(gòu)成人體日常運動的基本單元，例如走、坐下、蹲下和彎腰等。針對每一個基本動作建立隱馬爾科夫模型(Hidden Markov Model，HMM)，將傳感器捕捉的運動特征作為觀測序列，并計算產(chǎn)生該觀測序列的概率，識別出該基本動作的類別。由于這些基本動作存在著上下文的關(guān)聯(lián)關(guān)系，根據(jù)上下文關(guān)系建立分層隱馬爾科夫模型(Hierarchical Hidden Markov Mod

5、el，HHMM)，縮小了動作的識別范圍，既提高了動作識別率，又降低了計算成本。同時，本文還提出了一種前后向激活算法對馬爾科夫模型進行參數(shù)估計，改善了模型的收斂速度。
　　本文所提出的人體復(fù)雜動作是指人在智能空間環(huán)境下的一些日常行為，例如喝水、打電話、掃地等。針對人體復(fù)雜動作的運動關(guān)節(jié)多、自由度大的特點，充分考慮各個模塊之間的耦合性，提出了一種耦合隱馬爾科夫模型(Coupled Hidden Markov Model，CHMM)算法

6、完成人體復(fù)雜動作識別。并根據(jù)PDR定位原理，利用軀干部位的AHRS模塊對人進行定位，融合智能空間中分布式視覺定位結(jié)果獲得人的精確位置，實現(xiàn)動作識別和位置信息相互補償，既提高了動作識別效率，又改善了人機交互的舒適性。
　　隨著人口老齡化的加劇，關(guān)于預(yù)測老人摔倒的問題備受關(guān)注。本文利用固定在人體腰部的AHRS模塊提供的姿態(tài)角度和三軸加速度數(shù)據(jù)作為人體摔倒檢測系統(tǒng)的輸入，提出了一種基于反向傳播(Back Propagation，BP)神