学位专题

封面
声明
摘要
英文摘要
目录
1 绪论
1．1 研究背景
1．2 国内外研究现状
1．2．1 可穿戴式移动设备发展现状
1．2．2 基于运动传感器的人体动作识别
1．2．3 基于图像的人体物理活动场景识别
1．2．4 基于图像数据的分段算法及关键帧提取
1．2．5 基于多传感器数据人体物理活动识别
1．3 研究基础
1．3．1 eButton
1．3．2 传感器介绍
1．4 研究内容与研究方法
1．4．1 基于加速度传感器的人体动作识别
1．4．2 基于图像的人体物理活动场景识别
1．4．3 基于多传感器融合的人体物理活动分段及关键帧提取
1．4．4 基于多传感器融合的人体物理活动识别
1．5 论文组织结构
2 基于加速度传感器的人体动作识别算法研究
2．1 基于加速度传感器的人体动作识别算法介绍
2．2 加速度传感器的特征提取
2．2．1 时间域特征
2．2．2 频率域特征
2．3 最大相关最小冗余(mRMR)特征选择算法
2．4 基于加速度传感器的动作识别算法设计
2．4．1 动作类别设定
2．4．2 基于决策树和神经网络的分层的人体动作识别算法
2．5 实验结果
2．5．1 实验数据
2．5．2 实验结果
2．5．3 特征选择算法比较
2．5．4 与单层方法的比较
2．5．5 与现有人体动作识别方法比较
2．6 小结
3 基于图像的人体物理活动场景识别算法研究
3．1 图像场景识别特征介绍
3．1．1 Gist
3．1．2 LBP
3．1．3 CENTRIST
3．1．4 SIFT
3．2 改进的彩色高斯差分采样特征提取
3．2．1 高斯差分采样特征
3．2．2 改进的彩色DS特征提取算法
3．3 词袋模型(Bag of Words)
3．4 空间金字塔算法
3．5 基于K近邻修正的模糊支持向量机多类分类算法
3．5．1 二类支持向量机
3．5．2 高维映射
3．5．3 多类分类
3．5．4 模糊SVM分类器
3．5．5 基于K近邻修正的FSVM多类分类算法
3．6 实验结果
3．6．1 实验数据
3．6．2 实验结果
3．6．3 图像特征的比较
3．6．4 空间金字塔层数的比较
3．6．5 与现有识别算法的比较
3．7 小结
4 基于多传感器融合的人体物理活动分段及关键帧提取算法研究
4．1 基于运动传感器的特征提取
4．1．1 标准差法(SSTD)
4．1．2 累积法(SAH)
4．1．3 高斯法(GDIF)
4．2 基于运动传感器的数据归一化和融合算法
4．3 基于图像序列特征提取方法
4．3．1 连续帧差分
4．3．2 运动特征
4．3．3 彩色直方图
4．3．4 边缘直方图
4．4 分步的多传感器数据分段算法
4．4．1 算法整体流程
4．4．2 运动传感器数据融合与分段
4．4．3 图像数据分段
4．5 基于多传感器融合的关键帧提取算法
4．6 实验结果
4．6．1 实验数据
4．6．2 阈值确定
4．6．3 运动传感器特征比较
4．6．4 不同窗口长度及重叠比例的结果
4．6．5 图像特征结果比较
4．7 小结
5 基于多传感器融合的人体物理活动识别算法研究
5．1 基于多数据融合物理活动识别算法介绍
5．2 隐马尔可夫模型
5．2．1 隐马尔可夫模型
5．2．2 前向算法
5．2．3 Viterbi算法
5．2．4 Baum-Welch算法
5．3 基于HMM-SVM混合模型的多传感器数据人体物理活动识别算法
5．3．1 改进的HMM模型
5．3．2 HMM-SVM模型参数的提取方法
5．3．3 改进的Viterbi算法
5．4 实验结果
5．4．1 实验数据
5．4．2 算法结果
5．4．3 与基于单一传感器的识别算法比较
5．4．4 与节点固定的HMM-SVM模型比较
5．5 小结
6 总结与展望
6．1 本文总结
6．1．1 基于加速度传感器的人体动作识别
6．1．2 基于图像的人体物理活动场景识别
6．1．3 基于多传感器融合的人体物理活动分段及关键帧提取
6．1．4 基于多传感器融合的人体物理活动识别
6．2 未来的展望
参考文献
致谢
个人简历、在学期间发表的学术论文与研究成果