基于动作捕捉传感器的人体日常行为识别研究

摘要

近年来，越来越多的研究人员开始研究人体行为分析和识别，其应用范围也在不断拓展。在医学康复工程、体感游戏领域、影视作品创作、虚拟现实、专业运动分析等许多方面，人体行为分析和识别技术获得越来越广泛的应用并产生巨大的价值。传统比较成熟的人体行为识别研究大都是基于光学信号，通过对视频或者图像序列的分析实现。这种基于光学动作捕捉的行为识别方式优势比较明显，同时存在根本性的问题：人体动作信号的采集存在不确定性。
　　在本文中，提出了一种新的方案运用于人体运动分析和识别。与传统的动作捕捉技术不同的是，本文重点考虑了动作捕捉和分析的便携性、准确性以及实时性，设计了一套基于动作捕捉传感器的人体日常行为识别方案。在我们的系统中，我们使用的可穿戴式运动捕捉系统，以获得身体姿态数据。整个系统是基于量化的身体姿势模式识别，这意味着，如果我们使用的量化姿态数据作为输入数据，我们仍然可以重建身体的姿态。在行为识别方面，该方法采用集成最长公共子序列作为核函数的支持向量机算法，训练并对人体每天运动的时间序列相似性进行对比，从而实现对常用行为的分类识别。我们使用最长公共子序列作为支持向量机的核函数，这是从传统的基于时间的单点信息完全不同。它利用了动作中所包含的时间序列信息，从而可以设计出一种在空间方法下对人体日常行为的分类方案。
　　本文主要贡献是在两方面进行了创新。第一：对比分析了常用的人体模型建立方法后，选取了基于约束的几何体点线人体骨骼模型，结合采集到的人体动作信号，更加准确的实现三维重建和姿态分析。第二，在基于支持向量机完成日常行为的识别中，为了更合理的把一个抽象的动作量化，我们引入了最长公共子序列作为支持向量机的核函数，同时，本文设计实验，并基于动作捕捉传感器采集实验数据，结合Matlab仿真平台，对识别进行了实验评估，证明了通过传感器获取动作信号以及识别算法结合应用于日常行为识别的可行性，并希望能为人体行为分析和识别研究的发展及其应用做出有用的贡献。

目录

第1章 绪 论

1.1 论文研究的背景和意义

1.2 国内外研究现状

1.3 本文的主要研究内容

第2章 人体行为分析和识别研究

2.1 引言

2.2 常见动作捕捉方式

2.3 对人体行为的分类识别算法分析

2.4 本章小结

第3章 动作信号采集及人体运动的三维重建

3.1 引言

3.2 基于惯性传感器的动作数据采集

3.3 人体运动姿态的模型建立和分析

3.4 基于传感器数据的人体三维重建

3.5 人体运动的空间运动学参数分析

3.6 本章小结

第4章 基于支持向量机的日常行为识别

4.1 引言

4.2 支持向量机的最优分类面

4.3 支持向量机的核函数选取

4.4 支持向量机用于多分类及实验平台

4.5 日常行为的分类研究

4.6 实验设计及结果分析

4.7 本章小结

结论

参考文献

攻读硕士学位期间发表的学术论文

声明

致谢