基于智能手機(jī)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(lǐng)域的研究熱點(diǎn)，目前有基于視頻數(shù)據(jù)和基于智能手機(jī)傳感器數(shù)據(jù)兩種研究方向。隨著時(shí)代的快速發(fā)展，智能手機(jī)的普及化以及嵌入在智能手機(jī)中的傳感器的多樣化，使得運(yùn)用智能手機(jī)傳感器數(shù)據(jù)進(jìn)行人類行為識別研究更加有實(shí)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(zhǔn)確，實(shí)驗(yàn)特征數(shù)據(jù)量大，分類效果不佳等問題，在真實(shí)數(shù)據(jù)的基礎(chǔ)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(jī)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(jìn)行行為識別時(shí)，最終的行為識別準(zhǔn)確率相對較低?；谌祟惢顒拥膶哟翁攸c(diǎn)與傳感器數(shù)據(jù)的時(shí)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(shí)驗(yàn)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(zhǔn)確率。
　　(2)首次將稀疏局部保持投影算法應(yīng)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(shí)驗(yàn)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(jī)森林(Random Forest，RF)分類器應(yīng)用于智能手機(jī)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(jìn)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，