人体行为识别报告 ppt课件.pptx

人体行为识别报告 ppt课件.pptx

《人体行为识别报告 ppt课件.pptx》由会员分享，可在线阅读，更多相关《人体行为识别报告 ppt课件.pptx（36页珍藏版）》请在冰点文库上搜索。

基于传感器的人体行为识别,xx,识别过程,相关研究,当前工作,1,2,3,4,概述,目录,1人体行为识别概述,行为识别（ActivityRecognition）,分析用户的行为动作以及根据周围的环境变化识别用户当前操作的活动和推断用户将要进行的活动。

行为识别包括两层含义：

首先获取周围环境的变化和用户的动作行为。

在普适计算环境下，周围的物理环境情境可以通过传感器设备或者移动设备直接获取，而人的动作行为也可以使用可穿戴传感器或者虚拟传感器得到，这些获取的情境数据是识别活动的基础；其次推断用户从事的活动信息，在获取周围环境信息和用户的动作行为之后，通过一定的方法来推断用户目前正在进行的活动以及用户可能从事的日常活动。

概念,人体行为识别,1.智能视频监控,2.老人监护,3.健康医疗,4.体感游戏,5.步态识别,6.不良行为检测,7.军事演习,8.身份认证,9.智能家居,10.自然人机交互,应用,起步比较早，这种技术在视频监控、智能化机器人、电影以及医疗护理等领域受到了广泛的关注和应用,已经出现了很多思想和方法。

现有的行为识别研究多采用基于图像的处理方法，这种方法利用图像提供的信息来提取底层特征，以此来识别人的动作，并建立人的动作模式。

随着微型低功耗传感器的发展，传感器开始融入人类生活的各个方面，基于传感器的行为识别因其分布范围广，不具侵扰性等优点，已经成为一个研究热点。

基于视频,基于传感器,数据获取方式,3,人体行为识别过程,一般过程,目前，基于智能手机传感器的行为识别的一般过程如图所示。

主要包括：

数据采集，预处理，特征提取，特征选择，模型训练，识别分类。

数据采集,数据采集数据采集处于整个行为识别系统的最底端，之后的一切数据处理和计算都直接或间接地使用到原始的加速度数据，所以数据采集系统的设计是否合理关系到整个识别系统的性能高低。

传感器选择传感器种类众多，功能各异，采集哪些数据，选择什么传感器，传感器的位置,采集方案设计采集的动作类型，采集对象，采样频率，采样数量,数据采集-标准数据集,OpportunityActivityRecognitionDataSet除了人体各个部位佩戴不同的传感器外，还在实验环境中部署了由多达72个有线和无线的传感器组成的传感器网络。

MobiActDatasets采用三星GalaxyS3手机，手机随意的装于裤兜，采集了包含跌倒、站立、行走、坐下、上下楼、慢跑等动作。

PosturalTransitionsDataSet采集设备：

SamsungGalaxySII；采集部位：

腰部；利用内置的加速度计和陀螺仪，在50Hz的恒定速率下，采集了站立、坐、躺、行走、上下楼及站与坐、坐与躺、站与躺间的转换动作。

数据预处理,采集的原始数据由于传感器的稳定性、精度方面的不足及外界环境的影响，或多或少都会产生噪音数据，从而造成明显的累积误差。

为了更好地进行特征提取和更精确的识别效果，需要对原始数据进行一定的预处理。

预处理阶段主要是通过数据清理、平滑噪声数据、识别和删除奇异点来避免噪声点对真实值的影响。

预处理的操作一般包括：

平滑、滤波、重采样、归一化、加窗、倾斜校正等,特征提取,时域特征时域特征是根据采集的原始时域加速度信号直接提取的特征向量，常用时域特征有：

均值、方差或标准差、两轴之间的相关系数、峰度、偏度、能量、平均绝对偏差、均方根、四分位间距等。

时频特征时频特征主要是基于小波分析，传统的傅里叶变换只能较好的反映信号的频率特征，难以反映信号的时域特征，而通过小波分析却能很好的将时域信息与频域信息结合起来。

03,01,02,频率特征是根据采集的原始加速度信号先做快速傅里叶变换或离散余弦变换，将时域信号变为频域信号。

常用的频率特征有：

FFT系数、频域熵、能谱密度等。

频域特征,特征提取的本质是从原始传感器信号中提取出对人体行为识别最有效的特征向量，以便后面准确地训练出识别模型。

虽然特征提取没有统一的理论方法，但通过对近年来人体行为识别相关论文使用的特征进行统计分析，可将提取的特征归为三类：

时域特征，频域特征和时频特征。

特征选择,特征优选是指根据一定准则，从原始特征集合中优选出一个子集，该子集含有较少的冗余特征，且分类效果最好，即从原始特征集合中选择较少较优的特征组成新的特征向量来描述该行为动作的本质特征，从而将高维特征转换为低维特征，有效地降低了行为识别的计算复杂度。

识别模型,机器学习大体分为三类：

一类为无监督学习，一类为半监督学习，一类为监督学习。

人体行为识别作为机器学习这个大领域的一个细小分支，常采用监督学习方式进行，即由已知类别的训练样本集训练出模型，再基于训练好的模型识别未知类别的数据，将其归为已知类别中的某一类。

K近邻,支持向量机,随机森林,决策树,神经网络,朴素贝叶斯,隐形马尔科夫,相关研究,3,早期的一些研究工作主要集中在单一设备位置情况下的行为识别,为了提高识别率，实用性等，研究者们在设备个数、设备位置、采样频率、采样动作、数据预处理、窗口分割、特征提取、特征选择、数据融合等各方面都展开了研究。

以智能手机为主的通用移动没备迅速发展和普及，利用这一类设备内置传感器来进行人体行为识别成为了行为识别领域的一个研究热点，国内外也出现了很多创新性的研究成果。

与传统方向和位置固定的穿戴式传感器不同，移动设备的位置和方向随时可能发生变化，在数据处理和系统构建上也就需要引入更加复杂的方法。

相关研究,相关研究,数据分割,特征优选,跌到检测,跌倒检测,跌倒过程中会经历失重阶段、碰撞阶段和最后的静止阶段，人体的加速度及角速度会发生较大变化。

跌倒过程持续的时间一般很短（3-5s），在此时间内人体重心朝着倾倒方向移动，人体姿势一般会从直立变为平躺或接近平躺，人体加速度和角速度都会有很大波动变化，人体受力也发生了很大变化。

跌倒检测,YanjunLi等人使用合成加速度提出了一种基于阈值摔倒探测方法，使用Neyman-Pearsonmodel选取适当的阈值，当采集到的合成加速度大于这个阈值时，则判定当前的人体行为是摔倒，最终识别摔倒的正确率在百分之九十左右。

FalinWu基于手机实现了一个摔倒监测系统，系统中中使用了两个特征来判断摔倒：

合成加速度和摔倒时重力加速度方向相对于加速度传感器的三轴坐标的方向旋转的角度。

当合成加速度大于某个阈值，人体的相对角度变化了90左右，并且此过程的持续时间符合一定条件则判定当前的人体行为是摔倒。

郑立等设计了一种基于加速度传感器的人体跌倒检测装置，它通过分析跌倒在以孙及晓各雯种的人研体究日中常，动采作用的支振持动向波量形机，分来类确器定检跌测倒跌事倒件行的为发，生为。

了,陈讳获等得设SV计M了的一最种佳基分于类三参轴数加，速采度用传粒感子器群和算双法轴对陀SV螺M仪参的数跌进倒行检优测化系，统，,该系以统获利得用最人佳体分运类动模过型程；中根的据加已速构度建特的征SV变M化分及类身模体型倾对角测变试化数，据来进区分,跌倒行和分各析种，人判体断日用常户动是作否。

跌倒。

采用动态时间规整方法分别对运动,幅度、倾斜程度以及旋转程度三个特征进行初步判断，并采用D-,HesSt证er据等理设论计组了合一规种则基对于三两个轴特陀征螺初仪步传判感断器的结跌果倒加检以测融系合统，对它人利体用安,全带运把动两模个式正进交行放最置终的融陀合螺决仪策绑，在由胸此口提，高通跌过倒分检析测人准体确多度轴。

的合角加速度、角速度和人体角度变化来判别跌倒。

跌倒检测-基于智能手机的人体跌倒检测技术的研究与应用使用智能手机内置的加速度传感器和陀螺仪这两种传感器来研究人体物理活动放置于人体口袋内釆样频率为50HZ采用中值滤波的方法进行预处理特征提取：

跌倒检测-基于智能手机的人体跌倒检测技术的研究与应用,算法检测过程主要分为四个阶段：

第一，计算某时刻合加速度数据值，并与合加速度阈值进行比较，如果合加速度值大于阈值，则检测进入下一阶段。

第二，计算同一时刻的合角速度数据值，并与合角速度阈值进行比较，如果合角速度值大于其阈值，则检测进入下一阶段。

第三，设置定时器等待人体姿态稳定，然后计算相似度值，并与相似度阈值进行比较，如果相似度值大于其阈值，则疑似一个跌倒的发生。

其中上面三个阶段中如果有任一阶段出现特征量值小于闽值，则算法会立即中断，返回到第一阶段继续进行跌倒检测判断。

第四，当算法检测到一个疑似跌倒事件，就会进入智能报警模式，该模式下用户可以在一个可设置的时间内取消报警，如用户没有任何操作，则最终确定上述跌倒事件，发送紧急警报信息及拨打电话。

基于最大相关性和最大互补性准则的神经网络特征选择方法，该方法不同于现有的特征选择方法将相关性与冗余性作为优选准则，而是充分考虑了特征之间的互补性，从而提高了多传感器行为识别的识别率。

特征选择特征提取阶段提取的特征种类越多，则对一个行为活动的描述也就越具体、越全面，从而使得行为类别之间的区分能力越强，识别效果越好。

但是，伴随着新特征的不断出现，通过样本数据提取的特征向量维数越来越大。

虽然数量较多的特征在一定程度上能够提高识别率，但其带来的时间消耗和计算复杂度也急剧增长，因此需要对特征进行优选。

常用的特征选择方法有：

“分支定界”算法、遗传算法（GA）、主成分分析（PCA）、线性判别分析（LDA）等。

提出了基于动态安全分析神经网络输入特征的优选方法，且有较高的精度。

该优化算法用到的具体算法有：

粗糙集理论的离散化方法、决策表的最优特征子集理论。

采用多层感知和反向传播技术对神经网络进行训练，并根据最小冗余最大相关准则对特征进行优选，以识别人体行为动作。

基于引导随机森林的特征选择算法，该算法首先使用人体行为识别数据集对随机森林进行训练，以获得各个特征属性的重要性得分，然后利用特征得分信息进行特征优选。

特征选择-蚁群算法,蚁群算法的基本思想：

如果在给定点，一只蚂蚁要在不同的路径中选择，那么，那些被先行蚂蚁大量选择的路径（也就是信息素留存较浓的路径）被选中的概率就更大，较多的信息素意味着较短的路径，也就意味着较好的问题回答。

数据分割,数据分割是把连续的过程划分为若干个小的时间片段，每一个时间片段称为一个窗口，换句话说，数据分割就是将连续时间点上的传感器数据进行离散化的过程。

在行为识别系统中，滑动窗口是一种最常用的数据分割技术，其主要考虑的因素包括两个方面：

窗口大小和窗口覆盖率。

如果窗口太大，行为识别系统在进行识别前等待的时间可能过长，导致太久的识别延时，同时一个数据段可能包涵多个行为，增加了识别难度。

反之，如果窗口太小，则有可能过度频繁的触发识别过程，增加系统的负载，同时一个数据段的数据可能太少，不足以进行精确识别。

因而，如何选择滑动窗口的大小，是数据预处理阶段的一个重要问题。

采用固定大小的滑动窗口，重叠率50%对行为数据进行分割，其中W1、W2、W4、W5和W6均包含两种动作数据，使得识别率降低。

数据分割,提出了一种自适应时间窗口方法，该方法能够很好的处理周期性行为和非周期性行为,基于变化的时间窗口实现动态分段模型的构建，时间窗口能够随着传感器数据的时间信息收缩或扩张，自适应的滑动窗口数据分段方法用于人体行为识别，该方法根据当前采样数据所属行为动作的概率来自适应调节滑动窗口的大小,4目前进行的工作,当前工作过渡行为相对于静态行为和动态行为具有不同的特征，其中影响行为识别的主要特征表现为以下两点：

一，行为本身持续时间较短；二，行为持续的时间长度不是固定值。

过渡行为是两种静态或动态行为之间的连接行为，在短时间的窗口内会出现较大的人体状态变化。

因此，过渡行为发生时，加速度传感器所采集到的数据上会有较大的波动。

而过渡行为前后的静态和动态行为则相对稳定，在一定的时间窗口内数据波动变化不大。

当前工作,Transition-AwareHumanActivityRecognitionUsingSmartphones,结合支持向量机的连续预测的概率输出和启发式过滤方法，提出了两种不同的实现方案，即

（1）过渡动作被视为未知的活动，

（2）过渡动作被当做新的类进行学习,RandomForestsbasedRecognitionofHumanActivitiesandPosturalTransitionsonSmartphone提出了基于权重的随机森林来识别普通活动和过渡动作。

该模型首先根据特征的相对重要性选择相关特征，然后将所选特征输入随机森林中。

该模型在数据集上达到了100%的识别精度。

首先，选取大小为h的滑动窗口对传感器数据进行切分，并计算每个窗口数据之间的马氏距离，根据一定准则将每个窗口划分至一个时段动作集合；其次，对基本动作被隐藏现象采用二次相似度分析进行处理，实现基本动作和过渡动作的划分；最后，在此基础上，对于具有较长持续时间的基本动作，采用固定窗口大小且相邻窗口覆盖为50%的滑动窗口对数据进行分割，以作为后续识别的输入数据，从而准确识别人体行为动作。

当前工作,当前工作,删除未标记的数据和奇异值,中值滤波,当前工作,结合时域和频域特征对传感器数据进行特征提取，包括均值、方差、均方根、平均绝对误差、极差、协方差、四分位差、相关系数、峰度、偏度以及能量11类特征,当前工作-基于马氏距离的行为数据分割,

（1）窗口切分及时段动作划分,利用马氏距离计算这些动作片段之间的相似度，马氏距离越大相似度越小，马氏距离越小相似度越大，并将马氏距离小于阈值的动作片段视为一类动作。

当前工作-基于马氏距离的行为数据分割,计算每个窗口内数据的均值、方差、最大值、最小值，并由这四个特征值组成一个四维的窗口特征向量w1。

通过如下公式计算两个相邻窗口w1、w2特征向量之间的相关系数，利用相关系数判断这两个相邻窗口之间的性关性。

其中Cov（X,Y）为X，Y的协方差，D（X）、D（Y）分别为X、Y方差。

当前工作-基于马氏距离的行为数据分割,基本动作划分根据经验知识定义基本动作的最短运行时间，将时段动作长度大于基本动作最短运行时间的时段动作定义为基本动作，且隶属于同一动作类别的基本动作定义为同一类基本动作。

如果两个相邻的基本动作之间所有时段动作的长度之和大于基本动作的最短运行时间，说明在两个基本动作之间仍然含有基本动作。

对于这种基本动作，使用二次相似度分析进行处理。

过渡动作划分确定出所有的基本动作后，根据相邻两个基本动作是否相同来区分过渡动作和扰动过程，最后可确定出所有的基本动作和过渡动作。

总结Summary,长路漫漫,上下求索,感谢您的观赏THANKYOUFORWATCHING,