基于智能手機傳感器數(shù)據(jù)的人類行為識別研究.pdf

1、人類行為識別是模式識別領域的研究熱點，目前有基于視頻數(shù)據(jù)和基于智能手機傳感器數(shù)據(jù)兩種研究方向。隨著時代的快速發(fā)展，智能手機的普及化以及嵌入在智能手機中的傳感器的多樣化，使得運用智能手機傳感器數(shù)據(jù)進行人類行為識別研究更加有實際意義。本文主要針對人類行為識別中出現(xiàn)的分類結(jié)果精度不準確，實驗特征數(shù)據(jù)量大，分類效果不佳等問題，在真實數(shù)據(jù)的基礎上，提出了基于多階層連續(xù)隱馬爾科夫模型的人類行為識別和基于稀疏局部保持投影結(jié)合隨機森林集成分類器（Spa

2、rse Locality Preserving Projections and Random Forest，SpLPP-RF）的人類行為識別兩種創(chuàng)新性算法，有效的解決了目前行為識別研究中遇到的困難。本文主要研究成果如下所示:
　　(1)傳統(tǒng)的連續(xù)隱馬爾科夫模型在進行行為識別時，最終的行為識別準確率相對較低。基于人類活動的層次特點與傳感器數(shù)據(jù)的時序性、多元性與連續(xù)性，本文提出了三階層連續(xù)隱馬爾科夫模型(Three-Stage Con

3、tinuous Hidden Markov Model，TSCHMM)的人類行為識別新算法。實驗結(jié)果表明所提出的算法不僅可以明顯判別出活動的誤分類別，而且解決了識別率低的問題，尤其是提高了易混淆活動的分類準確率。
　　(2)首次將稀疏局部保持投影算法應用于連續(xù)隱馬爾科夫模型的人類行為識別中。稀疏局部保持投影（Sparse Locality Preserving Projections，SpLPP）優(yōu)化保留了鄰域結(jié)構(gòu)的數(shù)據(jù)集，并且相

4、比于局部保持投影算法，可以從傳感器數(shù)據(jù)中提取出更多有代表性的活動行為特征變量。以SpLPP作為降維方法的實驗結(jié)果表明新算法效果明顯。
　　(3)由于集成分類器一般情況下分類效果優(yōu)于單一分類器，所以已有一些研究采用隨機森林(Random Forest，RF)分類器應用于智能手機傳感器數(shù)據(jù)的人類行為識別上。但他們的方法沒有充分利用較前沿的降維技術(shù)。因此，本文提出了用SpLPP進行降維，有效的解決了人類行為識別研究中的特征數(shù)量多的問題，