基于慣性傳感數據特征選擇的人體動作識別.pdf

1、人體姿態(tài)檢測和動作識別技術在各類人群的工作和生活中具有非常廣闊的應用前景，尤其是在生命健康保障方面有著重要的應用。目前，常用于姿態(tài)檢測和動作識別的方法包括基于視頻圖像的方法、基于振動頻率的方法、基于可穿戴式傳感裝置的方法。其中，基于加速度計和陀螺儀等慣性測量單元的人體姿態(tài)檢測和動作識別已經成為本領域的研究熱點。
　　雖然基于可穿戴式傳感器的人體動作識別已經進行了一定的研究，但由于各個研究者使用的傳感器數據不盡相同，無法在統(tǒng)一的數據

2、基礎上對各種算法的性能進行優(yōu)劣評判。本文對前人研究過的一些動作數據庫進行總結，綜合考慮動作種類、受試對象、數據規(guī)模、數據完整性與實用性等方面因素，選取美國南加州大學的USC-HAD數據庫作為動作識別算法的驗證平臺。
　　本文設計了一種支持向量機投票算法(v-SVM)，對USC-HAD數據庫的10種動作進行分類。首先針對原始傳感器數據設計了一種濾波預處理方法，然后對統(tǒng)計特征和物理特征兩類共80維特征進行特征選擇，得到降維之后不同閾值

3、條件下的五組特征子集，繼而在特征子集和全集上分別運行不同參數下的支持向量機算法，對分類結果進行投票作為最終的類別標號。
　　本文對v-SVM的算法性能進行分析，并與經典的分類算法進行對比。實驗結果表明k最近鄰分類器和隨機森林算法得到較高的分類準確率，但k最近鄰分類器運行時間過長;隨機森林算法參數不易選取;支持向量機算法準確率最高，運行時間短，參數可以優(yōu)化選取。本文提出的v-SVM算法在所有測試集上(包括五個特征子集和全集)的識別準