一种基于多分类器融合的人体运动行为识别模型

为了提高基于智能设备的人体日常行为识别的准确率,针对不同智能设备内置加速度传感器获取的三轴加速度信息,提出了一种基于多分类器融合的行为识别MCF(Multiple Classifier Fusion)模型。针对5种日常行为(静止、散步、跑步、上楼及下楼),优选出与每种行为相关度高的特征集,用于训练对每种行为识别效果最佳的5个基分类器,并采用一个融合器对5个基分类器的输出进行融合处理,得到最终行为识别结果。该模型对这5种行为的平均识别准确率和可信度分别达到96.84%和97.41%,能有效进行用户行为识别。     

高可信度加权的多分类器融合行为识别模型

为了提高基于智能移动设备的人体日常行为识别准确率,提出一种高可信度加权的多分类器融合行为识别模型（MCFM）。针对不同智能设备内置加速度传感器获取的三轴加速度信息,优选出与人体行为相关度高的特征集作为该模型的输入,将决策树、支持向量机以及反向传播（BP）神经网络三个基分类器通过高可信度加权投票算（HRWV）法训练出一个新的融合分类器。实验结果表明,所提出的分类器融合模型能有效提高行为识别的准确率,对静止、散步、跑步、上楼及下楼五种日常行为的平均识别准确率达到94.88%。     

基于双注意力时间卷积网络的人体行为识别

为解决TCN使用可穿戴传感器数据进行人体行为识别准确率不高的问题,提出适用于可穿戴传感器数据的双注意力时间卷积网络的人体行为识别模型。为TCN引入两类不同的注意力模块,提取与当前行为高度相关的深层特征。利用LN层代替TCN中残差模块的WN层,优化模型的残差结构。创新性地应用三元组损失函数区分高相似传感器数据的异类行为。实验结果表明,在公共人体行为数据集PAMAP2上采用该模型的识别准确率高达98.25%,相较原始TCN模型提升了5.28%。     

一种改进的GRU-InFCN人体行为识别模型

为了克服传统机器学习方法在采用传感器数据进行人体行为识别领域上识别效果对人工特征选取依赖严重、识别准确率不高等问题,提出一种改进的全卷积神经网络和多层循环神经网络并联的深度学习模型(GRU-InFCN),并对传感器数据特征进行自动提取,实现人体动作的识别。该模型通过多尺度卷积神经网络和双层GRU网络(Gated Recurrent Unit,GRU)分别对传感器数据进行特征提取,将特征矩阵在矩阵维度上进行特征拼接再通过Softmax完成特征分类。实验结果表明,在开源人体行为识别(HAR)数据集上采用该方法进行人体行为识别,准确率达到了97.76%。该模型在取得高准确率的同时,避免了复杂的信号预处理和特征工程。     

人体动作识别中的惯性传感器位置校正算法

近年来, 惯性传感器在人体动作识别中的应用受到了广泛关注, 但用户在重新穿戴惯性传感器时, 不能保 证每次的固定位置完全一致, 这会影响识别精度. 针对此问题, 本文提出一种利用旋转矩阵实现惯性传感器位置校 正的人体动作识别方法. 首先, 将惯性传感器按照不同的位置固定在手腕处采集动作数据. 然后, 根据矩阵旋转变换 原理, 通过标准固定位置与其他固定位置的基准数据求取旋转矩阵. 最后, 对动作数据提取时频域特征, 并构造加 权BP神经网络模型以验证校正方法的有效性. 同时还讨论了不同的数据融合方法对动作识别的影响. 结果表明, 校 正后的动作数据的识别准确率分别为84.25%, 85.94%, 相比校正前提高了66.16%, 54.35%, 说明该方法是有效的.     

关键语义区域链提取的视频人体行为识别

目的 视频中的人体行为识别技术对智能安防、人机协作和助老助残等领域的智能化起着积极的促进作用,具有广泛的应用前景。但是,现有的识别方法在人体行为时空特征的有效利用方面仍存在问题,识别准确率仍有待提高。为此,本文提出一种在空间域使用深度学习网络提取人体行为关键语义信息并在时间域串联分析从而准确识别视频中人体行为的方法。方法 根据视频图像内容,剔除人体行为重复及冗余信息,提取最能表达人体行为变化的关键帧。设计并构造深度学习网络,对图像语义信息进行分析,提取表达重要语义信息的图像关键语义区域,有效描述人体行为的空间信息。使用孪生神经网络计算视频帧间关键语义区域的相关性,将语义信息相似的区域串联为关键语义区域链,将关键语义区域链的深度学习特征计算并融合为表达视频中人体行为的特征,训练分类器实现人体行为识别。结果 使用具有挑战性的人体行为识别数据集UCF （University of Central Florida）50对本文方法进行验证,得到的人体行为识别准确率为94.3%,与现有方法相比有显著提高。有效性验证实验表明,本文提出的视频中关键语义区域计算和帧间关键语义区域相关性计算方法能够有效提高人体行为识别的准确率。结论 实验结果表明,本文提出的人体行为识别方法能够有效利用视频中人体行为的时空信息,显著提高人体行为识别准确率。     

基于单个三轴加速度计的人体行为识别研究

人工智能的发展和行业应用需求促进人体行为识别研究得到众多关注,主要研究方法或基于视频数据或基于传感器数据。得益于可穿戴传感器的发展,众多研究专注于在人体部署多个传感器以期取得良好效果。不同于以往研究,本文仅通过佩戴在手腕的单个三轴加速度计进行人体行为识别研究,以最大程度减小对个体的干扰并降低传感器部署成本。通过数据预处理和特征提取,并利用一种改进的子窗口的集成学习算法,实现对人体行为的准确识别。实验结果表明,相较于传统算法,识别准确率得以显著提升,证实了研究成果的有效性。     

基于Kinect传感器骨骼信息的人体动作识别

为研究人体骨骼结构、骨骼关节点位置信息以及人体动作所具有的骨骼角度特征,提出了一种基于深度传感器提取人体骨骼信息的动作识别方法.方法利用Kinect深度传感器,实时准确地捕获人体骨骼三维数据,并根据坐标系变换构建人体骨骼拓扑结构.然后提取人体动作所感兴趣的骨骼关节点,定义骨骼向量,并获取每段骨骼向量的方向余弦特征;最后通过多类支持向量机训练以及动作识别分类.实验结果表明,相比于传统基于轮廓特征的方法,改进方法对人体识别具有更高的识别准确率,鲁棒性强.     

CNN与决策树结合的新型人体行为识别方法研究

基于智能手机内置加速度传感器的人体行为识别是近年来人工智能领域一个研究热点,传统的贝叶斯、极速学习机、决策树等识别方法都必须先针对加速度传感器采集数据提取时频域特征,并从大量的时频特征中进行特征优选。本文采用深度学习中卷积神经网络算法（Convolutional Neural Network）在大数据量与小数据量两种情况下分别进行特征学习,直接读取智能手机内置三轴加速度数据,自动提取加速度信号的特征,利用自动提取出来的加速度数据特征,结合决策树算法实现人体行为的分类识别。实验表明,该识别方法准确率较传统机器学习方法提高了1.1%～5.2%,尤其在大数据量下准确率提高更为明显。     

基于人体关节点数据的攻击性行为识别

针对人体攻击性行为识别问题，提出一种基于人体关节点数据的攻击性行为识别方法。首先，利用OpenPose获得单帧图像中的人体关节点数据，并通过最近邻帧特征加权法和分段多项式回归完成由人体自遮挡和环境因素所导致缺失值的补全；然后，对每个人体定义动态"安全距离"阈值，如果两人真实距离小于阈值，则构建行为特征矢量，其中包括帧间人体重心位移、人体关节旋转角角速度和发生交互时的最小攻击距离等；最后，提出改进的LightGBM算法w-LightGBM，并对攻击性行为进行识别。采用公共数据集UT-interaction对所提出的攻击性行为分类识别方法进行测试实验，准确率达到95.45%。实验结果表明，所提方法能够有效识别各种角度的攻击性行为。     

基于慢特征分析的智能护理床人体动作识别方法研究

智能护理床是针对卧床病人的护理困难问题提出的一项对病人进行实时检测的自动化护理设备。已有的智能护理床在对卧床病人实行监测时，对压力信号的识别效果不佳，无法准确判断卧床病人的实际动作。据此，研究针对已有智能护理床在人体动作识别中存在的问题，提出利用慢特征分析方法对智能护理床的信号压力进行处理后再构建人体动作的识别模型。利用从医院采集的卧床病人动作对模型进行性能测试。结果显示，研究提出的基于慢特征分析的人体动作识别模型的平均准确率达到87.03%。因此，研究提出的基于慢特征分析的智能护理床人体动作识别模型具有相对理想的准确率和效率，可以有效判断卧床病人发出的不同动作，改善卧床病人的护理质量。     

基于惯性传感器的步态身份识别

基于步态的身份识别作为一种新的生物特征识别技术，以其非接触、无打扰、远距离、不易伪装等优点成为了生物特征识别技术领域的研究热点。此外，近年来，由于MEMS惯性传感器技术发展成熟及其在便携式设备中的广泛应用，基于惯性传感器的步态身份识别越来越受到科研人员的关注。文中收集整理了国内外有关惯性传感器步态身份识别的研究方法和现状，并对该领域的相关技术进行了回顾；根据识别过程处理的先后顺序，依次回顾了数据采集、数据预处理、数据分割、特征选择与组合、智能识别各个阶段的相关技术以及研究现状，并给出了目前主要的公共步态数据库，以方便感兴趣的读者进行实验分析。最后，在此基础上讨论了基于惯性传感器的步态身份识别的技术难点，并对未来发展方向进行了展望。     

基于关节空时特征融合的人体行为识别

针对现有人体行为识别技术存在的准确率不高和易受环境干扰等缺点,提出一种基于空时特征融合的人体行为识别方法。通过OpenPose提取人体骨骼关节的位置信息用于构造空时融合特征,该特征综合各类行为的空域和时域信息,使得特征表示更具区分度。利用核化主成分分析算法进行特征维度缩减,利用XGBoost算法进行特征分类,获得识别结果。该方法在Multiview Action 3D数据集上进行测试,得到了94.52%的识别率,较现有的其它许多人体行为识别方法表现更好。     

下肢外骨骼研究进展及关节运动学解算综述

随着传感融合、移动计算、智能驱动等技术的发展以及研究者对人体运动中下肢重要生物力学功能认知的逐步深化,下肢外骨骼机器人作为一种与下肢并联,能为穿戴者行走助力的可穿戴智能设备愈发受到世界各研究机构的重视。本文根据下肢外骨骼的用途和结构详细综述了近年下肢外骨骼的研究进展,并借此对下肢外骨骼的未来发展进行展望。并针对下肢外骨骼在实时运动学检测与控制上对小型传感器的迫切需求,提出一种能够用于控制下肢外骨骼的基于惯性测量单元的人体下肢关节运动学测量与解算技术,在基于惯性测量的单自由度关节角度结算上得到较好结果。     

基于多传感器数据融合的人体运动模式识别研究

针对单一传感器在人体运动姿态监测中误差较大的问题,提出了一种基于加速度传感器和陀螺仪数据融合的人体运动模式识别方法;该方法使用陀螺仪输出的人体运动信息对加速度传感器采集到的姿态角信息进行修正,采用卡尔曼滤波算法实现多传感器信息的融合,有效提高了姿态角度测量的准确度;根据人体日常的活动状态构建了基于人体姿态角度特征的隐马尔可夫模型实现人体运动模式的识别;实验表明,该方法比采用单一传感器方法识别的准确率高,可以有效区分不同的日常活动行为。     

人体行为分析方法的研究与仿真

研究人体行为分析优化问题,传统的人体行为分析方法受外部环境因素影响较大,识别率和稳定性较差.针对在复杂环境下人体行为的描述和识别的难点问题,利用人体点模型提出一种基于关节角度和隐马尔可夫模型(HMM)的人体行为分析方法.首先采用新型RGB-D传感器获取图像深度信息;然后通过随机决策森林完成人体部位分割和关节点位置标定,并建立人体三维骨架模型;最后借助HMM,通过计算关节角度对人体行为进行训练和识别.实验结果表明,改进方法在环境光照不稳定以及复杂背景的情况下,能够实现鲁棒的人体日常行为分析.对停止、走、跑、左转、右转五种日常行为识别,取得不错的识别效果.     

基于LabVIEW和深度视觉传感器的课堂智能管理系统

为解决现有课堂过程管理手段比较落后, 系统功能比较单一的问题, 本文设计了一种集课堂考勤、课堂行为识别和管理、自主学习管理于一体的智能课堂管理系统. 该系统以深度视觉传感器Kinect V2为数据采集设备, 以LabVIEW为软件开发平台, 实现了基于人脸识别和移动设备定位相结合的课堂考勤功能, 基于骨架特征提取和SVM分类器的课堂行为识别和分析功能, 基于MyEclipse和MySQL数据库的学生自主学习管理功能. 实验表明, 该系统人脸识别签到的识别准确率达到97%; 课堂行为识别精度达到95%以上; 数据库设计合理完善, 自主学习功能灵活可靠.     

基于骨骼时序散度特征的人体行为识别算法

人体行为识别是智能监控、人机交互、机器人等领域的一项重要的基础技术。图卷积神经网络（GCN）在基于骨骼的人体行为识别上取得了卓越的性能。不过GCN在人体行为识别研究中存在以下问题：1）人体骨架的骨骼点采用坐标表示,缺乏骨骼点的运动细节信息;2）在某些视频中,人体骨架的运动幅度太小导致关键骨骼点的表征信息不明显。针对上述问题,首先提出骨骼点的时序散度模型来描述骨骼点的运动状态,从而放大了不同人体行为的类间方差。并进一步提出了时序散度特征的注意力机制,以突显关键骨骼点,进一步扩大类间方差。最后根据原始骨架的空间数据特征和时序散度特征的互补性构建了双流融合模型。所提算法在权威的人体行为数据集NTU-RGB+D的两种划分策略下分别达到了82.9%和83.7%的准确率,相比自适应图卷积网络（AGCN）提高了1.3个百分点和0.5个百分点,准确率的提升证明了所提算法的有效性。     

穿戴位置无关的手机用户行为识别模型

基于智能手机的人体行为识别能用于健康监控和个人运动管理,针对不同用户携带手机的位置和习惯,分析基于手机传感器获取的三轴加速度信息,从人体不同位置的行为数据中提取多种特征,优选出与行为相关度高且与手机位置相关度低的特征,构建三种决策树分类模型:(行为位置)矢量模型、位置—行为模型和行为模型,其中行为模型准确率最高;针对手机放置在三种不同位置的混合样本,其行为判断准确率为80.29％,耗时最短,能有效进行用户行为识别.     

基于场景先验知识的室内人体行为识别方法

目前,室内人体行为识别技术被广泛应用于视频内容理解、居家养老、医疗护理等领域,现有研究方法更多的是对人体行为进行建模,忽略了视频中场景与人体行为间的联系。为了充分利用场景信息与室内人体运动的关联性,文中对基于场景先验知识的室内人体行为识别方法进行了研究,提出了一种基于场景先验知识的双流膨胀3D行为识别网络(Scene-Prior Know-ledge Inflated 3D ConvNet, SPI3D)。首先使用ResNet152网络提取场景特征进行场景分类,再基于场景分类的结果,引入量化后的场景先验知识,通过对权值进行约束来优化总体目标函数。另外,针对现有数据集多聚焦于人体行为特征、场景复杂且场景特征不明显的问题,自建了室内场景-行为识别数据集(Scene-Action DataBase, SADB)。实验结果表明,在SADB数据集上,SPI3D网络的识别准确率为87.9%,比直接利用I3D网络的识别准确率高6%。由此可见,引入场景先验知识后的室内人体行为识别模型具有更好的表现。