基于MapReduce和移动智能终端的人体行为识别系统研究与实现

摘要

近些年来，基于传感器的人体行为识别技术已经在运动监测、虚拟现实等多个领域得到广泛应用。然而，随着智能手机设备的快速普及，其需要处理的数据量也在急剧上升。基于传统的单机模式去处理数据、完成分类模型的构建和未知行为的分类，已经不能满足当前发展的需要。
　　本文在现有研究的基础之上，对当前人体行为识别方案和分类算法进行分析，提出了基于MapReduce和移动智能终端设备的人体行为识别方案。同时本文选取Flume、Kafka和Storm框架构建实时行为流计算，实现对多人坐、站立、走路、跑步、上楼梯和下楼梯六种行为的实时识别。本文的研究核心主要有以下两点：离线数据建模及多人实时行为识别。
　　离线数据建模主要负责利用MapReduce框架实现决策树算法的并行化，并利用训练集构建行为识别模型。系统首先通过智能手机内置的加速度传感器获取用户原始行为数据，并通过加窗操作对连续数据进行切分。同时为获得更接近人体真实行为数据，系统选取低通滤波算法去除重力加速度分量，然后利用移动均值滤波算法去除数据中的噪声干扰。完成预处理操作后，本文根据六种行为数据的特点，生成一个22维的特征向量以描述用户单个行为片段。最后基于MapReduce框架改进传统的C4.5决策树算法，利用其提供的map函数和reduce函数，并行的计算属性信息增益率，选择最佳分裂属性，完成决策树的构建。经测试，该分类模型对上述六种行为的整体识别准确率达到了86.63％，且算法性能得到了很大的提升，能很好的完成对大批量数据的处理。
　　多人实时行为识别主要负责数据的传输和收集，及 topology任务的构建。首先，客户端通过http协议实时传输待处理和识别的数据，后端则使用搭建的Flume集群和Kafka集群完成数据的收集。然后利用kafka集群对外提供实时数据流。最后构建Topology任务，利用Spout节点读取消息队列中的数据，并利用bolt节点和构建好的决策树模型对行为特征向量数据进行分类、汇总和存储操作。经测试，该实时计算系统具备较高的吞吐量和处理性能，能够高效的完成对大量用户实时行为数据流的处理。

目录

声明

第一章 绪论

1.1 研究工作的背景及意义

1.2 国内外研究现状

1.3 主要研究内容

1.4 论文结构安排

第二章 相关技术研究综述

2.1 智能设备传感器

2.2 行为分类算法介绍

2.3 MapReduce介绍

2.4 实时流计算技术架构简介

2.5 本章小结

第三章 系统总体设计

3.1 系统需求分析

3.2 系统架构设计

3.3 系统模块设计

3.4 本章小结

第四章 数据采集处理及离线数据建模

4.1 传感器数据采集

4.2 数据预处理

4.3 特征选择和提取

4.4 基于MapReduce实现决策树

4.5 本章小结

第五章 多人实时行为识别

5.1 数据实时传输和收集

5.2 Storm实时识别

5.3 数据展示

5.4 本章小结

第六章 系统测试

6.1 系统集群环境搭建

6.2 系统测试

6.3 系统性能分析

6.4 本章小结

第七章 总结与展望

7.1 工作总结

7.2 未来工作展望

致谢

参考文献

攻读硕士期间取得的成果