基于单加速度传感器的实时动作识别系统

基于加速度传感器的人体动作识别在人机交互领域具有重要意义,为人机提供一种自然、真实的交互方式。本文实现了一种基于单轴加速度传感器的动作识别系统,将一种基于窗口特征的动作识别算法固化在嵌入式处理器中,便于在多种人机交互场合中使用。实验结果表明,该系统能够快速、有效的识别跑步、蹲下、起立、跳跃等基本动作,平均识别率达到94%以上。在虚拟训练、游戏控制等人机交互的场合,该系统具有重要的应用价值。     

基于多权值神经网络的老人跌倒智能识别研究

随着我国人口老龄化及对延年益寿的期望加剧,老年人的健康问题受到广泛的关注。针对这一社会问题,建立人体跌倒模型,并对三轴加速度传感器采集来的不同人体跌倒姿态的高维数据做主成分分析(PCA),降维处理使其特征投影到低维空间,再将降维后的特征向量借助多权值神经元网络算法识别人体跌倒姿态。最后,实际采样的人体跌倒姿态数据验证了该方法的有效性。此外,与支撑向量机(SVM)算法相比较,实验结果表明,多权值神经元网络比支撑向量机算法在人体跌倒应用中更加具有优越性。     

基于运动特征分析的人体异常行为模糊识别

针对当前基于运动传感技术的人体行为监测方案中存在的运动信息种类单一、运动特征提取不完善、识别算法复杂、鲁棒性弱等问题,提出运用多MEMS传感器采集人体姿态角和线性加速度,为人体行为识别提供准确、多样的运动信息;通过对滑动时间窗内运动信息进行数学统计,提取人体运动特征;基于这些特征,设计模糊模式识别模型,对人体异常行为进行识别.实验结果表明:该方案识别率高,平均识别率达97.6%,鲁棒性强,软硬件复杂度大大降低,易于借助嵌入平台实现独立的模块化设计,具有很强的实用性.     

基于加速度信号几何特征的动作识别

根据人行为动作的特点,提出了一种基于加速度信号几何特征的层次识别算法以识别多种人的行为,例如:步行、下楼、上楼、跑步等.所分析的数据由绑在人体胯部的加速度传感器在实际环境中采集.该算法利用加速度信号的几何特征(周期,波峰值,波谷值)和信号的物理意义(如各方向的能量分布),所选取的特征对个人依赖较小.识别的过程采用了分层识别算法.该算法识别速度快,准确率高,在实际应用中取得了较好的效果.大量的实验表明,该算法对动作的识别正确率在80%以上.     

基于单三轴加速度传感器的人体活动状态识别

针对当前人体活动状态识别方法中存在传感器种类繁多、识别算法复杂、可实施性差、实时性差等问题,提出一种基于单三轴加速度传感器的人体活动识别算法.通过采集人体腰部的加速度数据,运用滑动时间窗方法进行时域特征的提取,采用基于阈值的分类方法对特征进行处理,识别出四种活动状态:长期剧烈活动状态,长期静止状态,跌倒状态,正常活动状态.该方法使用的传感器种类少,软硬件复杂度低,易于实施,便于携带.经过测试,该算法的平均响应时间小于1s,平均准确率达到99.3%,证明了该算法的实时性与有效性.     

Kinect骨骼数据驱动的人体动作二维特征融合与动作识别

针对在高噪声环境中人体动作识别存在准确度和稳定性不高的问题,本文采用二维空间特征融合的方法,提出一种基于Kinect骨骼数据的人体动作识别算法。从人体三视图的投影来提取运动特征,可以消除人体自遮挡的影响。针对人体复杂动作,算法采用分层策略。利用Kinect获得的骨骼关节点坐标,根据人体三视图投影提取二维空间的人体关节角特征,并运用支持向量机(SVM)方法对动作进行粗分类;进一步提取二维投影平面内的关节位置矢量、角速度和加速度特征,运用隐马尔可夫模型(HMM)的方法对动作进行细分类。利用本文方法对公开数据集MSR Action 3D实验,平均识别率达93.37%,实验结果表明,该方法准确性较高,鲁棒性较强。     

基于特征优选和图像相似度的人体动作识别算法

有效提取特征有利于提高后续人体动作识别的准确率。针对人体动作识别时方向梯度直方图(histogram of oriented gradient,HOG)特征维数过高和相似动作不好区分的问题,提出一种基于特征优选和图像相似度的人体动作识别算法。实验对比三种降维方法主成分分析法(principal component analysis,PCA)、PCA+Pearson、PCA+Spearman处理后的动作识别率,证明PCA+Pearson相关系数的降维效果最佳。同时将全局特征八星模型与降维后的局部特征HOG特征组合在一起全面表征人体动作,并计算相邻两帧图像相似度,自适应分配一个判别周期内单帧支持向量机分类结果的统计权值,最后二次分类人体姿态识别结果。在标准数据集KTH上进行实验,该算法识别准确率为94. 5%,较其他方法有所提高,在视频人体动作识别领域有较好应用价值。     

基于无线通讯与 GP S定位的人体跌倒检测器

为减小老年人因跌倒造成的身心伤害，实现及时救助，设计了一种实用的人体跌倒检测器。采用三轴加速度传感器和ZigBee无线通讯实现人体运动状态的数据采集和传输，采用基于加速度向量幅值和人体姿态角检测算法实现跌倒检测，通过报警单元实现基于GSM模块的短信报警，利用对GPS数据解析实现跌倒事件的地理信息的Google显示。实验结果表明，该检测器对人体向前跌倒后平躺、向右跌倒后侧躺和向前跌倒后未平躺等状态判别准确率达到100％，监控界面良好。     

基于室内定位技术的人体姿态识别方法

独居老人摔倒等姿态检测是当今备受关注的问题.基于机器视觉的方法存在隐私侵入,成本高和实现过程复杂等问题,而基于加速度传感的方法对静止姿态识别存在困难.为此提出一种基于室内定位技术的老人姿态检测方案.首先在人体关键节点安装可穿戴接收标签,然后采用超宽带UWB测距方法,实现人体关键部位的定位和跟踪.在姿态估计算法中,分别采用最小二乘和改进的扩展卡尔曼滤波算法来抑制噪声,提高定位精度.仿真实验表明,改进的扩展卡尔曼滤波算法误差较小,可以较好地识别老人摔倒等姿态信息.     

基于张量脸的多姿态人脸识别算法

提出了一种新的多姿态人脸识别算法,在原有的张量脸算法(TensorFaces)基础上结合了流形学习方法和统计学聚类的方法,首先将训练图库中不同姿态的人脸图像通过保局映射投影(LPP)的姿态聚类特性投影到二维空间上,然后将待测图库中的未知姿态人脸图像投影到该二维空间并找到其最近邻的两个姿态,根据两个最近邻姿态库作为训练库修正张量脸识别算法的判别系数.实验结果表明,该算法的识别率优于原有的张量脸算法.     

卡尔曼滤波在人体姿态检测中的应用

为了尽早发现老人的意外跌倒,避免长躺现象,争取救护时间,对人体姿态进行检测。由控制器STM32F103和传感器MPU6050构成信号采集系统,采用无线蓝牙模式进行数据传递,由接收系统进行数据分析和显示。建立人体坐标系,对采集的加速度信号进行卡尔曼滤波,调节参数,补偿测量误差,实现最优估计。对滤波后的加速度信号进行整合,并以角度信号为辅助,进行姿态判断,及时判断跌倒事故。通过M atlab仿真发现,卡尔曼滤波的使用有效地提高了系统的测量精度,有助于姿态判断的实现。     

基于姿态角的双Kinect数据融合技术及应用

针对单个Kinect深度图像传感器在人机交互时的骨骼自遮挡所导致的识别精度问题,提出了基于姿态角的双Kinect数据融合技术。首先,通过两台Kinect采集人体关节的数据信息;并做坐标统一化处理;其次,提出了基于姿态角的骨骼数据融合算法模型,同时依据Kinect SDK构建标准姿势特征向量集合;随后,根据骨骼活动度分配对应骨骼贡献度大小,进而计算融合后的姿势特征向量集合与标准姿势特征向量集合的余弦和,实时反馈两者姿势的匹配度,实现人体姿势的识别。通过构建数据融合处理平台,并应用于人体姿势识别,验证了该方法在不影响识别速率的前提下,提高了人体姿势识别的精准度。     

利用少量体压传感器和支持向量机算法的坐姿识别方法

针对传统坐姿识别系统中传感器数量多和系统较复杂导致成本过高等问题,设计一种基于少量体压传感器和支持向量机(SVM)算法的坐姿识别方法.首先,设计一种由少量薄膜压力传感器构成的体压传感阵列,将其置于坐垫内部;然后,利用该传感阵列采集不同坐姿的体压数据,并绘制相应的体压分布等高线图;最后,以体压数据作为特征向量,结合支持向量机算法建模,以实现坐姿分类自动识别.测试结果表明:少量体压传感器也能获取不同坐姿的体压分布特征;SVM坐姿分类模型在熟悉样本下的坐姿识别准确率达98.3%,在陌生样本下的坐姿识别准确率达92.5%.     

基于轻量化二维人体姿态估计的小样本动作识别算法

动作识别是近年来时序数据挖掘领域的研究热点,具有广泛的应用前景。但是现阶段基于深度学习的动作识别算法需要大量的标记训练数据集,存在泛化性差、实时性差、场景受限的问题。为解决这些问题,本研究设计一种基于轻量化二维人体姿态估计的小样本动作识别算法。该算法基于YOLOv5算法构建轻量化的人体检测器HYOLOv5。基于轻量化二维姿态估计模型Lite-HRNet设计人体姿态特征描述算子,有效地去除背景对人体动作特征的干扰。为有效度量时序人体姿态特征描述算子间的相似度,本研究提出基于动态时间规整的人体姿态特征距离度量,并在此基础上设计基于类别中心选择的动作模板匹配算法。该算法通过少量的动作视频构建动作特征模板库,利用动作模板匹配算法可实现多类动作视频的精准识别。为验证算法,本研究在COCO 2017的Humans数据集上对HYOLOv5进行测试,人体检测识别精度mAP@0.5：0.95可达50.7%。基于10种动作视频数据进行测试,结果表明,本研究所提算法可有效地识别视频序列中的姿态,在每个动作仅包含4个训练数据的情况下,动作识别准确率均可达到91.8%。     

基于表情及姿态融合的情绪识别

情绪识别指在使计算机拥有能够感知和分析人类情绪和意图的能力,从而在娱乐、教育、医疗和公共安全等领域发挥作用.与直观的面部表情相比,身体姿态在情绪识别方面的作用总是被低估.针对公共空间个体人脸分辨率较低、表情识别精度不高的问题,提出了融合面部表情和身体姿态的情绪识别方法.首先,对视频数据进行预处理获得表情通道和姿态通道的输入序列;然后,使用深度学习的方法分别提取表情和姿态的情绪特征;最后,在决策层进行融合和分类.构建了基于视频的公共空间个体情绪数据集(SCU-FABE),在此基础上,结合姿态情绪识别数据增强,实现了公共空间个体情绪的有效识别.实验结果表明,表情和姿态情绪识别取得了94.698%和88.024%的平均识别率;融合情绪识别平均识别率为95.766%,有效融合了面部表情和身体姿态表达的情绪信息,在真实场景视频数据中具有良好的泛化能力和适用性.     

基于加速度时域特征的实时人体行为模式识别

摘要： 针对高精度的实时人体行为模式识别,提出了一种基于加速度时域特征的行为模式识别算法.本算法选取时域特征作为唯一特征量,通过简化特征提取运算实现行为的实时识别,获得了高精度结果.通过在Android智能手机平台进行测试,每项动作识别正确率均可达80%以上.该算法相对于现有算法实时精度有明显提高,在手持终端领域具有较好的应用前景.     

无线可穿戴身体姿态监测系统的研究与实现

为预防由于坐姿不正确而引发的身体疾病, 设计一种无线可穿戴人体身体姿态监测系统。TI CC2540处理器处理由LIS3DH 传感器实时采集人体坐标x 轴、y 轴、z 轴加速度数据, 并通过蓝牙4. 0 协议将其传输到手机客户端APP(Application)上进行数据的处理并显示, 以达到矫正人体姿势的目的。同时该系统又可实现与体感游戏的有机结合, 达到锻炼身体的目的。     

基于扫描数据建立人体动态模型

提出一种由三维人体扫描数据建立人体动态模型的新方法.该模型由骨架运动学模型和简化的三角网格表面模型构成,分别用于产生人体各种姿态以及表达相应的体表形状.通过操纵骨架运动,可实现实时与逼真的人体姿态仿真.实例分析表明,该方法克服了目前从扫描数据通常仅用于构造静态人体模型或无法实现实时姿态仿真的缺陷,在人机工程设计及虚拟现实领域有较大应用价值.     

利用轻量化深度学习模型和加速度信号的枪击识别方法

枪支射击的检测与识别有助于实现枪支和子弹的精准管控，从而防止枪支滥用、提高公共安全。区别于传统利用加速度传感器的枪击识别需要进行特征提取的方法，本文针对不同类型的枪击加速度信号，首次采用深度学习的方法进行研究，提出了一种新的兼顾精度和轻量化的EfficientNetTime时间序列分类模型。该架构核心由MBConvTime，Fused-MBConvTime模块组成，能够自动提取枪击加速度信号特征，对不同输入时间尺度更具鲁棒性。在识别精确率方面达到97.42%超越传统枪击识别算法，并在公开枪击数据集上与SVM、决策树、随机森林三种传统机器学习模型和FCN、Resnet、Inceptiontime、Xceptiontime四种时间序列深度学习模型对比。实验结果表明EfficientNetTime模型更加高效，识别精确率也更高。