论文部分内容阅读
人体行为是人和外界环境交互的一种主要的输出表达形式,研究人员对于人体行为识别方法的探究一直没有停止过。人体行为数据的获取可以依靠动作捕捉系统来完成,其中可穿戴式动捕系统记录的是人身体各部位的加速度和角速度等物理信息,对于解释人体运动的本质规律有着极其重要的意义,因此基于该系统的行为识别已经成为本领域中的研究热点。在传统的行为识别算法中,由于特征提取更多是基于冗余的统计特征向量空间,这不仅增加了算法的计算量,还会影响算法的识别效率。此外,传统的算法需要包含多个运动周期的数据,来确保常用的时频域特征的稳定性,但在短时样本的情形下,传统算法提取的常用频域特征是不稳定的,这将会直接影响分类模型的稳定性。本文主要针对上述传统算法的不足展开研究。第一,对于传统算法提取高维的数据特征,导致计算复杂度的增加,本文提出一种新的基于行为特征规律和统计特征向量的行为识别算法。本文首先从分析运动的三维本质特性出发,共选择了11维特征来描述人体行为,这有效地压缩了特征空间,并且这11维特征较好地反映了人体相对于竖直方向和左右方向上的基本运动姿态和幅度。然后采用支持向量机作为分类器,并构建了分类模型。最终实验结果表明本文的算法在只选择11维的特征的前提下,仍然能够有效地识别13种日常行为。第二,针对短时样本情形下,传统算法所提取的时频域特征的不稳定性,导致识别率不理想,本文提出一种基于模板匹配的行为识别算法。其核心思想是通过滑动窗口提取行为模板的方法,来建立足够完备的训练模板库,其思路缘于每种复杂运动模式下均包含了若干原子运动模式。该算法可使每一个短时样本都能匹配到与自身极其相似的模板,并把它归类到相近模板的类别中。实验证明本文提出的算法对于短时样本依然有较高的识别率。