基于智能手机BDS-3测速信息的行人运动识别

基于智能手机的北斗三号(BDS-3)定位与测速逐步成为大众获取位置服务的主要应用。随着北斗系统服务性能的提升,其提供的位置与速度信息催生了新的服务和应用场景,结合智能手机BDS-3的测速信息,提出了一种基于支持向量机(Support Vector Machine, SVM)的行人运动识别方法。该方法可应用于行为感知、优化健身方案等健康领域。评估了安卓智能手机BDS-3测速精度并基于手机持有者在运动过程中的BDS-3速度信息对行人的运动状态进行识别。结果表明,BDS-3的测速精度略优于GPS和BDS-2系统。多系统组合测速能提升测速精度。通过合理地选取特征,利用智能手机BDS-3测速信息对行人运动模式进行自动识别的正确率可达96.3%。     

基于智能手机传感器的人类行为识别研究

针对因人类行为识别中手机位置的不确定性导致的行为识别率低的问题，提出了一种实时行为识别方法。首先对智能手机中加速度计和陀螺仪所获取的各行为下的传感器数据，依次进行零偏误差补偿、异常值处理和db7小波阈值去噪；其次使用滑动窗口对预处理后的数据进行分割，同时基于各行为特征分布规律进行特征提取；最后将提取的特征用于支持向量机(Support Vector Machine, SVM)分类器模型的训练，通过调用SVM模型结合多票判决策略实现当前时刻行为预测。仿真结果表明，该方法能有效地识别坐、站立、行走、跑步、上楼、下楼、躺、卧8种基本行为，并能区分握、阅读、接听、摆臂、口袋5种手机位置。分类器模型的整体识别率达到了97.6%,在手机位置固定和不固定的情况下，实时行为识别的平均识别准确率分别达到了90.6%和84.8%,平均耗时为177.803 ms。     

基于激光雷达的室内跌倒检测系统设计与实践

针对传统跌倒检测系统易泄露隐私、需穿戴等问题,提出一种室内跌倒检测算法以及边界检测算法,利用ROS平台,设计并实现了基于激光雷达的室内跌倒检测系统.该系统测距精度高、实时性好,可以快速准确地识别老人跌倒,具备自动报警和解除报警功能,同时解决了边界上的误报问题,提高了系统可靠性.     

基于长短时记忆网络及变体的跌倒检测和人体行为识别系统

为应对人口老龄化带来的跌倒事件上升以及提高跌倒检测的准确度,设计了一种可穿戴式基于神经网络的跌倒检测和人体行为识别系统.提出基于长短时记忆网络及变体的跌倒检测及行为识别算法,将训练好的网络参数移植到研发的可穿戴式跌倒检测设备,实现对跌倒和其他行为检测,将异常行为结果、生理信息传输至监护人手机微信小程序,对被监护人的异常行为、定位信息进行监控.并且在对跌倒的种类和其他类跌倒行为区分检测中,精确率保持了较高的稳定水平.     

基于物联网和视频分析技术的监狱智能监控系统

提出了一种基于物联网和视频分析技术的监狱智能监控系统。该系统主要由监控终端子系统以及犯人活动网络定位监测子系统组成,并利用视频分析技术对囚犯进行智能行为监控。实验结果表明:所提出的的透视变换及SVM的行为识别及目标分类方法可以有效监控罪犯行为,将监控人员从"紧盯屏幕"的低级监控模式中解放出来,能够很好地提高监控有效性,实现"人防、技防、物防"三位一体的最佳结合。     

基于红外阵列传感器的人体行为识别系统研究

随着人口老龄化的到来,为了避免发生意外事故,对老人日常活动行为进行识别和监测的安全监护系统的需求不断增长。传统的基于摄像头拍摄或者穿戴式传感器的活动状态监测系统存在着隐私保护和使用不方便等不足。为此,本文设计一种基于红外阵列传感器的人体行为识别系统。该系统通过检测环境中的温度分布和变化情况识别人体行为,不需要在老人身上佩戴任何设备,尺寸小易于安装,在黑暗环境中可正常工作,且由于采集到的是低分辨率信息,不会造成隐私泄露,对比传统方案具有明显优势。从采集到的温度分布信息中提取特征并采用K最近邻(K-Nearest Neighbor,KNN)算法实现了“走”、“坐”和“跌倒”3种状态的识别。实验结果表明平均准确率可达到95%,其中跌倒准确率为97.5%,行走准确率高达100%,坐下准确率为92.5%。     

基于特征融合的人体行为识别

为克服单个行为表达方法有效性上的不足,提出了一种基于多特征融合和支持向量机(SVM)的人体行为识别(HAR)方法。首先,利用背景差分提取运动显著区域;然后提取运动显著区域的剪影直方图和光流直方图,并采取一定的融合策略,构建融合特征结合SVM识别人体行为。实验以广泛使用的公开数据集Weizmann为研究对象,正确识别率达到99.8%以上。结果表明,提出的特征融合及识别方法能有效地对人体行为进行识别;而且,由于规避了比较耗时的序列匹配操作,减少了计算量。     

基于yolov5的校园跌倒检测算法

学生在校园活动中容易发生跌倒现象,较为严重的跌倒行为会危及生命健康。针对校园内发生跌倒现象无法及时反馈的问题,文章提出一种基于yolov5算法的校园跌倒检测方式,运用图像处理方法,改善锚框机制和Mixup数据增强算法,优化模型性能,提高模型识别速度。实验结果表明,文章提出的方法可以快速并有效识别学生跌倒现象。     

基于加速度传感器和神经网络的人体活动行为识别

人体活动行为识别在医疗、安全、娱乐等方面有着广泛的应用,为了高效、准确地获取人体活动的行为信息,提出一种基于加速度传感器和神经网络的个人活动行为识别方法。该方法通过在个人手上佩戴加速度传感器,实时采集个人活动的行为数据;再通过BP神经网络分析相关行为数据并建立个人活动行为模型,分类识别个人的行走、坐着、躺卧、站立和突然跌倒等活动行为特征。实验结果表明,该方法能够有效检测到个人活动的行为特征参数,并可准确识别出人体活动的五种典型行为。     

一种新的模糊支持矢量机多目标识别方法

本文主要研究基于支持矢量机(SVM)的多目标识别方法.首先介绍了基于SVM的OAA和OAO多目标识别算法,针对OAA和OAO算法存在的误判问题,基于SVM决策函数建立了样本模糊隶属度函数,对OAA和OAO算法进行了改进,提出了一种新的模糊支持矢量机多目标识别方法.仿真实验结果表明,该方法能够有效提高识别性能.