随着物联网等技术的发展,姿态识别在生物医疗、人机交互、智能家居等重要领域扮演越来越重要的角色。我国人口老龄化趋势加剧,老年人口日益增多,直接或间接造成大量的社会负担和经济损失,人体姿态识别技术在智能居家养老以及远程医疗技术中同样发挥着重要作用。本文对基于便携式传感器系统进行了人体姿态识别研究,基于人体姿态传感器数据的瞬时特征和时域特征两方面,分别构造了两种识别算法,并且物理系统中进行了算法验证。目前人体姿态识别系统存在采样数据不稳定,系统成本高等问题。一方面,人体姿态数据采集系统软硬件结合能力差。另一方面,当前姿态识别算法存在鲁棒性差,时间代价巨大,识别性能低且识别种类少等问题。本文针对上述不足之处,主要研究内容如下:(1)设计基于人体姿态瞬时特征的机器学习算法。数据采集系统采集了人体关键部位的加速度信号,角度信号以及足底压力信号等,进一步设计了结合多维传感器的融合特征。考虑到算法的可移植性及鲁棒性,使用随机森林算法进行姿态识别。进一步结合聚类思想,对随机森林算法进行数据离散化。对比了多种不同聚类思想的聚类算法与随机森林结合的效果,并且对聚类算法中敏感参数距离指标进行了对比试验,最终确定了余弦距离作为最佳距离指标。本文设计了DBSCAN-RF姿态识别算法,研究了 Boosting算法的继承思想,结合级联思想改进了 Adaboosting分类器,使人体姿态识别算法的假阳率进一步下降,提高了算法的召回率。(2)实现了人体多种姿态的马尔可夫模型建模。将人体的八种常用姿态看作是一段连续过程,利用其马尔可夫性进行建模。由于基于瞬时特征的算法对保留的过渡阶段数据的误判率非常高,无法关注到连续过程特征是这类算法的瓶颈。根据时域特征的数据采集需求,设计选用了高频率数据采集系统。进一步对数据进行预处理,保留了大部分有效数据集并根据人体姿态的数据特点进行了阶段划分。研究了隐马尔可夫理论,构造了不同阶数的姿态识别隐马尔可夫模型。本文利用高斯混合模型拟合人体姿态无法直接观测的每个阶段的状态,并基于隐马尔可夫构建了人体姿态识别模型,对比了 GMM-HMM模型与其它算法在本数据集上的表现,并比较滑动窗口大小的对模型的影响。本文研究了隐半马尔可夫模型在人体姿态识别中的适用性。针对传统隐马尔可夫模型无法关注姿态的时间特性,构造了 GMM-HSMM模型。进一步使用神经网络代替高斯混合模型,并进行了DNN模型结构探索,最终确定了最佳的模型结构,激活函数类型,初始化方法,以及梯度下降方法。最后与前几章的研究内容和其它算法都进行了性能对比。(3)本文根据人体姿态的特点及行为特点设计了数据采集系统以及人体姿态识别算法。本文从人体姿态对应的传感器数据的瞬时特征及时域特征两个方面出发,合理配置硬件系统,为算法建模提供了可靠支持。本文设计了基于多传感器信号的人体识别四种算法,分别从召回率、准确率、精确率等几个方面对模型进行了性能评价。分别可以识别八种姿态,最优模型的召回率为98.6%。