人体运动捕捉过程中的人体下肢动作识别

为了实现对虚拟人大范围运动的控制,针对人体下肢运动过程提出一种动作识别方法.首先根据人体下肢运动特点选取人体下肢动作识别运动参数,提出一种基于小波分形和最小二乘拟合的动作特征提取方法;然后基于支持向量机实现了对下肢运动链中各运动参数的动作识别;在获得各运动参数识别结果的基础上,采用证据理论实现了对识别结果的融合.采用运动捕捉数据进行实验的结果表明,该方法需要的训练样本少、实时性好,能够满足不同体型的人体动作识别需求,具有较好的应用前景.     

基于静电信号的人体动作识别

提出一种通过检测人体行为动作产生的静电信号进行人体动作识别的方法.在分析人体荷电特性的基础上,设计静电信号检测系统采集被测人员的5种典型动作（行走、踏步、坐下、拿取物品、挥手）的静电感应信号.对采集的5种动作的静电信号进行特征参量提取和显著性差异分析,优化用于分类的特征参数.基于Weka平台使用3种分类算法（支持向量机、决策树C4.5和随机森林）分别对采集到的250组样本数据通过10折交叉验证进行了分类识别,结果显示随机森林算法的识别效果最好,正确率可达99.6%.研究表明本文提出的单人环境下基于人体静电信号的动作分类识别方法能够有效地对典型人体动作进行识别.     

基于深度信息的特征学习与动作识别方法

为了进行复杂交互动作识别,提出基于深度信息的特征学习方法,并使用两层分类策略解决相似动作识别问题.该方法从频域的角度分析深度图像动作序列,提取频域特征,利用VAE对特征进行空间特征压缩表示,建立HMM模拟时序变化并进行第一层动作识别.为了解决相似动作识别问题,引入三维关节点特征进行第二层动作识别.实验结果表明,两种特征在动作数据集SBU-Kinect上能够有效地表示姿态含义,策略简单有效,识别准确率较高.     

基于模糊理论的人体动作表示及动作模式识别方法

根据模糊数学理论和模糊神经网络技术,本文提出了一种适用于体育动作分析的人体动作元层次结构模型、动作特征的模糊表示方法和体育动作模糊识别方法,并给出了实现体育动作模糊识别的过程和实验结果.     

基于深度信念网络的视觉人体动作识别

为实现互联网上大量背景复杂、视点变化的视频中人体动作的识别,提出了一种使用无监督的深度信念网络(DBNs)进行人体动作识别的创新方法.该方法采用深度信念网络(DBNs)和受限玻耳兹曼机进行无约束视频的动作识别,利用无监督深度学习模型自动提取合适的特征表示,不需要任何先验知识.在一个具有挑战性的UCF体育数据集上进行实验,证明了该方法准确有效.同时该方法也适用于其他视觉识别任务,并在未来可扩展到非结构化的人体活动识别.     

面向人体动作识别的随机增量型混合学习机模型

针对自然人机交互应用中的人体动作识别问题,总结了传统机器学习模型在识别人体动作时的缺点,然后在此基础上针对自然人机交互应用的独特要求提出了面向人体动作识别的随机增量型混合学习机模型.该模型将误差反向传播模型、增量型极限学习机模型和双端增量型极限学习机模型相结合,克服了传统方法在识别人体动作时的不足.详细阐述了针对面向人体动作识别的随机增量型混合学习机模型的算法理论、模型合理性和实现方案.最后通过对比识别实验结果,验证了随机增量型混合学习机模型在识别人体动作问题上具有更好的鲁棒性、实时性和准确性.     

基于MRF模型的飞机飞行动作识别划分算法

军用飞机飞行动作具有较强的随机性和模糊性,为实现针对军用飞机飞行动作的识别和划分,提出了一种基于马尔可夫随机场M RF模型的飞行动作识别划分算法,可以在没有标定的情况下,将飞行数据段分割聚类,实现飞行动作的识别和划分.仿真实验表明,相比于传统的飞行动作识别算法,基于M RF模型的飞行动作识别划分算法且有更高的识别率.     

基于动作图的视角无关动作识别

针对视角无关的动作识别,提出加权字典向量描述方法和动作图识别模型.将视频中的局部兴趣点特征和全局形状描述有机结合,形成加权字典向量的描述方法,该方法既具有兴趣点抗噪声强的优点,又可克服兴趣点无法识别静态动作的缺点.根据运动捕获、点云等三维运动数据构建能量曲线,提取关键姿势,生成基本运动单元,并通过自连接、向前连接和向后连接3种连接方式构成有向图,称为本质图.本质图向各个方向投影,根据节点近邻规则建立的有向图称为动作图.通过Na?ve Bayes训练动作图模型,采用Viterbi算法计算视频与动作图的匹配度,根据最大匹配度标定视频序列.动作图具有多角度投影和投影平滑过渡等特点,因此可识别任意角度、任意运动方向的视频序列.实验结果表明,该算法具有较好的识别效果,可识别单目视频、多目视频和多动作视频.     

基于时序深度置信网络的在线人体动作识别

在线人体动作识别是人体动作识别的最终目标,但由于如何分割动作序列是一个待解决的难点问题,因此目前大多数人体动作识别方法仅关注在分割好的动作序列中进行动作识别,未关注在线人体动作识别问题.本文针对这一问题,提出了一种可以完成在线人体动作识别的时序深度置信网络（Temporal deep belief network, TDBN）模型.该模型充分利用动作序列前后帧提供的上下文信息,解决了目前深度置信网络模型仅能识别静态图像的问题,不仅大大提高了动作识别的准确率,而且由于该模型不需要人为对动作序列进行分割,可以从动作进行中的任意时刻开始识别,实现了真正意义上的在线动作识别,为实际应用打下了较好的理论基础.     

一种运动轨迹矢量化的实时拳法类型识别方法

提出一种基于运动轨迹矢量化的实时出拳动作分割和拳法类型识别方法,运动数据由一个7相机的Eagle运动捕捉系统提供.该方法实时分割出连续运动序列中的单个出拳动作,并对持续时间可变的出拳动作进行统一矢量化表示.统一矢量化后的出拳动作样本被用来训练一个基于LDA的拳法类型识别器对拳法类型进行实时在线识别.本文实现了一个实时在线拳法类型识别的原型系统,拳法类型识别的正确率达到98%.     

Independent shape component-based human activity recognition via Hidden Markov Model

In proactive computing, human activity recognition from image sequences is an active research area. In this paper, a novel human activity recognition method is proposed, which utilizes Independent Component Analysis (ICA) for activity shape information extraction from image sequences and Hidden Markov Model (HMM) for recognition. Various human activities are represented by shape feature vectors from the sequence of activity shape images via ICA. Based on these features, each HMM is trained and activity recognition is achieved by the trained HMMs of different activities. Our recognition performance has been compared to the conventional method where Principal Component Analysis (PCA) is typically used to derive activity shape features. Our results show that superior recognition is achieved with the proposed method especially for activities (e.g., skipping) that cannot be easily recognized by the conventional method. Furthermore, by employing Linear Discriminant Analysis (LDA) on IC features, the recognition results further improved significantly in the recognition performance.     

基于Petri网的SysML活动图的分析与验证

系统建模语言(Systems Modeling Language,SysML)是目前国际上系统工程领域最新的标准建模语言,它包括语义和表示法两部分,缺乏分析和验证的手段。为了弥补这一不足,研究了SysML活动图到Petri网的转换方法,主要定义了将SysML活动图转换为相应Petri网可执行模型的6种转换规则。应用这些规则可以将活动图转换为Petri网模型,进而对其进行化简、分析和验证,同时可检测SysML的行为规范与并发相关的性质,如死锁、有界性等。采用列举法和模拟法验证了所建模型的一致性。证书申请活动图的实例表明,该方法是可行的。     

噪音情况下语音端点检测方法的研究

语音信号处理中减谱法是一种传统的降噪方法,但减谱法利用固定的无音片段作为噪声样本容易产生误差。谱熵法是一种有效的端点检测方法,但在低信噪比环境下,检测效果将大大降低,并且门限估计也采用初始的固定无音片段。为此,提出了一种降噪和端点检测同步的方法。实验结果表明,該方法可以得到较高正确率的端点检测结果。     

一种支持动态群组的工作流建模方法

传统的工作流产品从建模到运行对业务流程中复杂的群组特性难以提供有效的支持.在通用工作流模型的基础上,对流程模型的表达能力和工作流运行机制进行了扩展,设计并实现了一个支持动态群组活动和群组协同的工作流管理系统.同传统工作流模型相比,在描述群组活动的能力上有所增强,使建模更简单.本文介绍了支持群组活动的建模方法和关键的运行机制,然后通过示例与传统的建模方法进行了比较.     

基于智能手机传感器的人体活动识别

人体活动识别是上下文感知系统及其应用中一个具有挑战性的研究问题。目前,关于人体活动识别的研究主要使用一些基于监督学习或半监督学习的统计方法来构建识别模型。然而,考虑到识别活动类型本身具有的复杂性和多样性,当前的人体活动识别系统不能取得较好的识别效果。针对这一问题,通过智能手机的三维加速度和陀螺仪传感器信息来提取人体活动的特征向量,选择四种典型的统计学习方法（分别是K-近邻算法、支持向量机、朴素贝叶斯网络以及基于朴素贝叶斯网络的AdaBoost算法）分别创建人体活动的识别模型,最后通过模型决策得到最优的人体活动识别模型。实验结果表明,通过模型决策选择的识别模型对人体活动识别准确率达到92%,取得很好的识别效果。     

环境信息建模与推理方法

人类行为理解是机器智能研究中最富有挑战性的领域。其根本问题是语义获取,即从动作推理得到人的行为,需要跨越两者之间的语义鸿沟。一般认为这样的推理需要上下文感知和知识库的支持,文献中也存在大量的上下文感知、建模、推理方法,但是,缺乏一个普适的、切实可行的语义获取理论和途径,目前的这些工作都只能针对特定的场景提出特定的解决方案,不可推广。本文提出了一种人关于日常行为知识与人体动作、环境信息之间的建模方法,以及可扩展的开放式结构的环境-行为关系模型,基于该模型提出一种新的行为理解的渐进式认知推理方法。应用这种渐进式推理方法,系统可以把人关于日常行为的知识与人体运动、环境变化等传感器数据处理可以获取到的信息动态绑定,实现了知识辅助的行为理解。提出的推理方法能处理长时间、同时发生的行为。     

Identifying multiuser activity with overlapping acoustic data for mobile decision making in smart home environments

Smart services, one of the most intriguing areas of current Internet of Things(IoT) research, require improvement in terms of recognizing user activities. Sound is a useful medium for making decisions based on activity recognition in the smart home environment, which includes mobile devices such as sensors and actuators. Instead of visual sensors to recognize human activity, acoustic sensor data is acquired in an unobtrusive manner for greater privacy. However, multiuser activity provides a formidable challenge for acoustic data-based activity recognition systems because of the difficulty of identifying multiple sources of activity from among a variety of sounds. In our study, we propose a statistical method to detect the interval of interference, which is also known as the unexpected mesa, distinguishing activities based on the pre- and post-mesa intervals. The results suggest that the proposed method outperforms previously presented classification algorithms in terms of the accuracy of multiuser activity recognition. Future studies may utilize this method for improvement of existing smart home systems.     

目标活动特征序列提取算法研究

从目标的活动过程中提取目标活动特征，是分析目标活动的基础。为了降低目标活动特征的复杂性，分析了一种活动特征提取方法。该方法以目标活动的状态参数序列为基础，先将目标的活动状态参数划分为短序列集后，对其进行数据清洗，再从中计算得到目标活动的分类规则，最后从规则匹配结果中提取目标的活动特征序列。通过仿真实验，验证了该算法的可行性和有效性。     

Activity recognition and intensity estimation in youth from accelerometer data aided by machine learning

Physical activity monitoring for youth is an area of increasing scientific and public health interest due to the high prevalence of obesity and downward trend in physical activity. However, accurate assessment of such activity remains a challenging problem because of the complex nature in which certain activities are performed. In this study, we formulated the issue as a machine learning problem—using a diverse set of 19 physical activities commonly performed by youth—via two approaches: activity recognition and intensity estimation. With the aid of training data, we implemented a distance metric learning method called DML-KNN that utilizes time-frequency features and is capable of effectively classifying both continuous and intermittent movement in youth subjects. Four different time-frequency feature extraction methods were then systematically evaluated. Our results show that the DML-KNN method performed competitively, especially when using features extracted by the Tamura method for intensity estimation, and by the Square Coefficient method for activity recognition.