基于无线传感器网络的动态手势识别算法及动态演示

与语言文字一样,手势是人类沟通交流的重要方式。在计算机技术高速发展的现在,手势识别技术的出现,能大大提高用户与机器设备、计算机部件之间的交流效率。现在采用摄像头跟踪进行手势识别的技术已经使用一段时间,但是其对硬件的要求高、分析的数据大,使得其产品相对昂贵或者识别能力不够强。与摄像头跟踪技术相比,基于无线传感器网络的手势识别速度更快,价格更便宜并且实用。通过对移动终端设计一套手势识别的算法,利用无线传感器网络实现用手机终端操作计算机的终端的一系列复杂命令。实验证明,该算法适用于大型游戏操作和平台展示,使用户不用通过购买相关硬件直接安装使用。     

自适应骨骼中心的人体行为识别算法

目的 基于3维骨架的行为识别研究在计算机视觉领域一直是非常活跃的主题,在监控、视频游戏、机器人、人机交互、医疗保健等领域已取得了非常多的成果。现今的行为识别算法大多选择固定关节点作为坐标中心,导致动作识别率较低,为解决动作行为识别中识别精度低的问题,提出一种自适应骨骼中心的人体行为识别的算法。方法 该算法首先从骨骼数据集中获取三维骨架序列,并对其进行预处理,得到动作的原始坐标矩阵;再根据原始坐标矩阵提取特征,依据特征值的变化自适应地选择坐标中心,重新对原始坐标矩阵进行归一化;最后通过动态时间规划方法对动作坐标矩阵进行降噪处理,借助傅里叶时间金字塔表示的方法减少动作坐标矩阵时间错位和噪声问题,再使用支持向量机对动作坐标矩阵进行分类。论文使用国际上通用的数据集UTKinect-Action和MSRAction3D对算法进行验证。结果 结果表明,在UTKinect-Action数据集上,该算法的行为识别率比HO3D J2算法高4.28%,比CRF算法高3.48%。在MSRAction3D数据集上,该算法比HOJ3D算法高9.57%,比Profile HMM算法高2.07%,比Eigenjoints算法高6.17%。结论 本文针对现今行为识别算法的识别率低问题,探究出问题的原因是采用了固定关节坐标中心,提出了自适应骨骼中心的行为识别算法。经仿真验证,该算法能有效提高人体行为识别的精度。     

IC:动态社会关系网络社区结构的增量识别算法

社会关系网络(SNS)中社区结构的识别有助于得出有意义的个体间活动模式和社会发展规律,传统的静态SNS社区结构识别的方法不能发现SNS的变化规律,而最近受到广泛关注的动态SNS社区识别方法普遍存在可扩展性差的缺点.描述了动态SNS的数学模型,并在此基础上提出了动态SNS中发现社区结构的增量式新方法.提出方法利用动态网络时间局部性即相邻采样时刻网络变化不大的特点,通过增量分析避免对整个网络中的个体全部重新划分,达到较高的算法效率.分析和实验结果表明,效率高于现有方法,在大规模网络上(105结点量级)效率提升在一个数量级以上,发现的社区结构很好地反映出社会关系网络的本质结构.     

AdaBoost-EHMM算法及其在行为识别中的应用

隐马尔可夫模型（Hidden Markov Model,HMM）是一种有效的时序信号建模方法,已广泛用于语音识别、文字识别等领域,近年来也被用于人的行为识别。人的行为序列是一种特殊的时序信号,每类行为往往包含若干帧关键姿势。利用行为序列的这个特点,提出了AdaBoost-EHMM（AdaBoost-Exemplar-based HMM）算法,并将该算法应用于行为识别中。利用AdaBoost的特征选择方法将行为序列中的典型样本逐个选择出来作为HMM观测概率模型的均值,之后融合多级分类器进行行为识别。实验结果证明AdaBoost-EHMM算法在保证算法收敛的同时提高了识别率。     

基于滤波器组和残差网络的环境声音识别算法

为解决现有传统环境声音识别技术识别率不高和普通卷积神经网络易出现网络退化的问题,提出一种基于滤波器组和残差网络的环境声音识别算法。采用滤波器组对声音信号进行特征提取,设计14层的残差网络,使用学习率衰减策略,将提取的特征输入到14层残差网络之中训练并测试。实验结果表明,在使用相同数据集ESC-10的情况下,与传统分类器模型和DCASE基线系统提供的识别方法相比,识别准确率分别提高了22.3%、17.4%和9.5%,验证了该方法在小样本情况下具有更高的识别准确率。     

基于Leap Motion的动态手势识别

动态手势识别作为人机交互的一个重要方向，在各个领域具有广泛的需求。相较于静态手势，动态手势的变化更为复杂，对其特征的充分提取与描述是准确识别动态手势的关键。为了解决对动态手势特征描述不充分的问题，利用高精度的Leap Motion传感器对手部三维坐标信息进行采集，提出了一种包含手指姿势和手掌位移的特征在内的、能够充分描述复杂动态手势的特征序列，并结合长短期记忆网络模型进行动态手势识别。实验结果表明，提出的方法在包含16种动态手势的数据集上的识别准确率为98.50%；与其他特征序列的对比实验表明，提出的特征序列，能更充分准确地描述动态手势特征。     

基于IDSQ的自适应动态协同自组织算法

在无线传感器网络中传感器节点相互协同完成感知任务,以传感器量测的信息效用与获取量测的能量消耗来折中地选择参与节点,但用户对服务质量(QoS)的需求并没有在节点选择时得以体现.为此,提出一种自适应动态协同自组织算法(A-DCS).该算法能根据用户给定的精度需求,自适应地选择簇首,确定参与感知任务的簇成员顺序和个数,并计算相应的能量消耗.以目标跟踪为应用背景的仿真结果表明,在跟踪精度和能量消耗2个指标下,该算法优于信息驱动传感器查询(IDSQ)和动态协同自组织(DCS).     

基于加速度传感器的人体行为识别系统的设计与实现

为了能够有效地提取人体行为特征,提出了一种基于加速度传感器的人体行为识别系统,主要识别站立、行走、跑步、上楼、下楼这5种人体行为。该系统通过提取标准差、偏度、峰度和相关系数等统计特征来实现多层分类。实验表明,该系统可以有效地对这5种人体行为进行识别。     

基于无线传感器网络的车辆检测识别算法研究

针对无线传感器网络(WSNs)的特点,利用车辆发出的声音信号,提出并研究了一种改进的信号检测算法,能够有效地从被噪声严重污染的声音信号中提取出车辆信号。使用小波包变换提取16维信号特征,支持向量机进行目标分类,得到单节点识别结果。提出了基于能量的全局决策融合算法,对多个节点做出的决策进行融合,得到网络的最终识别结果。为了评估算法,使用了来自DARPA SensIT实验中的真实数据,其中包含了履带车和重型卡车的大量声音信号。实验结果表明:该算法用于WSNs中的车辆识别方面是有效的。     

自适应半径调整的无线传感器网络覆盖算法

针对随机分布的无线传感器网络中节点分布不均匀造成的覆盖冗余,以及同时存在的覆盖空洞,提出了一种自适应半径调整无线传感器网络覆盖算法,通过阈值判断监测区域内传感器节点密度,根据监测区域内传感器节点疏密程度,利用节点半径步长系数对监测区域内节点半径进行自适应调整,建立无线传感器节点发射功率与节点发射半径的模型,计算无线传感器发射功率,通过实验和仿真,表明上述方法能够保证网络覆盖率的基础上减少无线传感器网络总功耗,提高网络寿命.     

一种基于三维加速度传感器的人体行为识别方法

提出了一种基于单个三维加速度传感器的人体行为的特征提取及识别方法,主要识别了站立、走、跑、上楼和下楼五种动作. 该方法提取了多种统计特征包括标准差、偏度、峰度和相关系数实现多层分类. 实验表明, 本文采用的方法能够有效地识别这五种动作.     

一种无线传感器网络信道接入自适应占空比算法

无线传感器网络中MAC协议最重要的设计目标是减少能量消耗.*基于已有的低占空比工作方式,融入了"七折线"法和加权统计的思想,提出一种新的自适应占空比算法.分析与仿真结果表明,该算法在网络流量较小时,可有效降低空闲节点的占空比、减少能量消耗;并能预测节点下一周期的数据流量,调整其占空比,减少碰撞和阻塞发生的概率;尤其在任务突发模式下,能有效提高节点的数据吞吐量.     

CNN多位置穿戴式传感器人体活动识别

随着人工智能的发展和可穿戴传感器设备的普及,基于传感器数据的人体活动识别（human activity recognition,简称HAR）得到了广泛关注,且具有巨大的应用价值.抽取良好判别力的特征,是提高HAR准确率的关键因素.利用卷积神经网络（convolutional neural networks,简称CNN）无需领域知识抽取原始数据良好特征的特点,针对现有基于传感器的HAR忽略三轴向传感器单一轴向多位置数据空间依赖性的不足,提出了两种动作图片构建方法T-2D和M-2D,构建多位置单轴传感器动作图片和非三轴传感器动作图片;进而提出了卷积网络模型T-2DCNN和M-2DCNN,抽取三组单一轴向动作图片的时空依赖性和非三轴传感器的时间依赖性,并将卷积得到的特征拼接为高层次特征用于分类;为了优化网络结构,减少卷积层训练参数数量,进一步提出了基于参数共享的卷积网络模型.在公开数据集上与现有的工作进行对比实验,默认参数情况下,该方法在公开数据集OPPORTUNITY和SKODA中F₁最大提升值分别为6.68%和1.09%;从传感器数量变化和单类识别准确性角度验证了模型的有效性;且基于共享参数模型,在保持识别效果的同时减少了训练参数.     

基于无线信号的行为识别技术综述

行为识别在普适计算、人机交互等领域有着广阔的应用前景.综述了基于无线信号的行为感知与识别技术.无线行为识别具有超视距、部署简便、无需携带设备等优点.其基本思想是,传播的无线信号在人体处被阻挡、反射或散射,形成特定的传播路径.用户的不同动作使得该路径呈现不同的特点.观察无线信号在传播中的变化,就能辨识出用户的动作.介绍了无线行为识别的基本原理和应用领域,分析了该技术面临的主要挑战以及相关性能指标,并探讨了该领域的开放问题与发展趋势.     

一种无线传感器网络信道接入自适应慢速退避算法

无线传感器网络是一种特殊的无固定控制中心的多跳网络.由于其特殊性,传统CSMA协议直接应用于无线传感器网络中会带来数据包冲突增加和时延增大等问题.针对信道接入层已有退避算法,提出了一种自适应慢速退避算法.分析与仿真结果表明,与传统的IEEE 802.11标准BEB算法和普通退避算法相比,该算法更为简单实用,能有效提高网络吞吐量,特别是在网路拥塞状况变化剧烈时,可减小额外开销并保持稳定的网络吞吐量.     

一种卷积神经网络和极限学习机相结合的人脸识别方法

卷积神经网络是一种很好的特征提取器,但却不是最佳的分类器,而极限学习机能够很好地进行分类,却不能学习复杂的特征,根据这两者的优点和缺点,将它们结合起来,提出一种新的人脸识别方法。卷积神经网络提取人脸特征,极限学习机根据这些特征进行识别。本文还提出固定卷积神经网络的部分卷积核以减少训练参 数,从而提高识别精度的方法。在人脸库ORL和XM2VTS上进行测试的结果表明,本文的结合方法能有效提高人脸识别的识别率,而且固定部分卷积核的方式在训练样本少时具有优势。     

动作识别训练数据的扩展研究

动作识别是康复中心研究领域的一个热门话题。机器学习是动作识别的一个重要方面。由于样本标注需要付出诸多人工努力,所以被标注的样本数量是有限的。而未被标注样本数量是庞大缘于它容易获取,无需人为注解。训练数据是基于半监督学习动作识别的核心。文章将着重强调数据选择策略和扩展度,这也是训练数据选择的基础。文章结合已标注的有限样本,利用未被标注样本来提高动作识别的精度。     

一种应用强化学习的自适应无线传感器网络路由算法

数据收集是无线传感器网络的重要应用之一,其主要的工作过程可以概括为传感器节点将感知的信息通过一定的路径传送到无线网关节点进行进一步分析处理的过程.在数据收集时,由于人们无法预知事件触发的地点,常常将传感器均匀布置在监测的场所中,但是信息收集的地点往往是不均匀分布的,这就导致了一部分节点会因处在事件频发地段而持续的工作,而另一些节点却始终不会工作.为了解决这个问题,提出一个应用加强学习算法的自适应无线路由策略.在该路由策略中,路由的过程被当作分布式智能节点加强学习的过程.每一个传感器节点都是一个独立的智能节点,可以通过参数化的选择概率和回报来决定自己的下一跳地址.该策略的目的是使长时间不工作的节点代替长时间工作的节点传输数据,以达到平均节点能耗,延长整体网络寿命的效果.最后的仿真结果说明我们的路由策略可以有效的分散数据传输,延长网络寿命.     

基于K-SVD的最大似然稀疏表示体域网动作分类算法

为有效提高体域网动作分类性能,本文提出了一种基于K-SVD的最大似然稀疏表示体域网动作分类算法. 该算法首先基于K-SVD优化学习算法,将不同动作模式训练样本按其所属类别分组优化训练,避免各类样本数据训练时相互干扰,得到不同动作模式类别所属的子字典,然后将其拼合构成一个完整字典,准确稀疏表示测试样本,最后基于最大似然稀疏模型准确估计稀疏表示系数残差,并得到测试样本所属类别. 实验结果表明,本文所提算法能够获得最优字典,基于最大似然稀疏表示可准确估计测试动作样本稀疏表示残差. 所提算法识别率明显优于传统稀疏表示动作分类算法,可有效提高体域网动作模式分类性能.