基于人体行为识别技术的智能家居控制系统的设计
发布时间：2020-12-05 10:22
随着科技的日益发展,人工智能、大数据等新兴技术已经开始逐渐地走入人们的日常生活,智能家居产品也迅速地进入人们的视野。在传统的智能家居系统之中,视频监控中人体的行为识别主要依靠人工,这种方式必将给视频查看工作带来极大的工作量。针对这一问题,本文对人体行为识别技术进行了研究并将其应用到智能家居系统之中,以实现可以自动进行视频行为分类的功能,从而建立一款更加智能、便捷的智能家居系统。本文所做的主要工作包含以下内容:首先介绍了智能家居与人体行为识别的研究背景和意义,分析了国内外智能家居与人体行为识别的发展和研究现状。根据系统的功能要求,对系统进行了总体分析与设计,确定了系统由PC端、主控中心、控制节点三大部分组成的总体框架。其中PC端主要负责视频数据的处理,主控中心负责控制各个控制节点以及视频数据的传输,控制节点负责控制各个家电设备。在此基础上,进行了系统的硬件与软件设计。其次对人体行为识别算法进行了详细研究。先是介绍了单流卷积网络、3D CNN网络以及双流卷积网络等几种常见的人体行为识别算法,并分析了它们的不足。并对双流卷积网络进行了改进,在双流卷积网络的基础上结合LSTM,以此避免双流卷积...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
JZ2440开发板硬件结构图
第 3 章 系统硬件与软件的具体实现设备，故控制节点在硬件方面上必须提供足够多的引课题选择使用型号为 STM32F103C8T6 芯片作为控制为 STM32 系列芯片中的“增强型”，具备低功耗、低、性能高等特点[23]。虽然在增强系列中该款芯片的然具有 48 个引脚，远远多于使用广泛的 C51 单片机的时钟频率远高于 C51 单片机，并且拥有更大的存够满足控制节点功能的需求。该芯片的引脚如图 3.2
第 3 章 系统硬件与软件的具体实现通信技术。射频在通信的过程中具有相当良好的稳定性，并有较强的抗干扰性和安全性[27]。此外，多个控制节点可以利，便可以实现对房屋内电器的大范围控制。上考虑，本文设计的智能家居系统采用了射频技术的 nRF90一个完全集成的频率调制器，一个带解调器的接收器，一个晶体震荡器和一个调节器组成[29]。此外，nRF905 能够提供高需要昂贵的高速 MCU 来进行时钟覆盖与数据处理。降低 M意味着降低了 MCU 的成本，又缩短了软件开发时间。同时，内置完整的通信协议，控制芯片只需简单地与 nRF905 进行有5 与控制节点的芯片硬件上连接如图 3.3 所示。
【参考文献】：
期刊论文
[1]基于S3C2410X的嵌入式Linux系统的构建[J]. 鲍尚东,王杰. 山东工业技术. 2019(05)
[2]智能家居系统研究与设计[J]. 王少卿. 科技传播. 2018(24)
[3]采用PHOG融合特征和多类别Adaboost分类器的行为识别[J]. 马世伟,刘丽娜,傅琪,温加睿. 光学精密工程. 2018(11)
[4]智能家居应用现状及其发展分析[J]. 徐建材. 科技资讯. 2018(04)
[5]行为识别技术的研究与发展[J]. 祁家榕,张昌伟. 智能计算机与应用. 2017(04)
[6]CNN与决策树结合的新型人体行为识别方法研究[J]. 王忠民,张琮,衡霞. 计算机应用研究. 2017(12)
[7]基于深度学习的人体行为识别算法综述[J]. 朱煜,赵江坤,王逸宁,郑兵兵. 自动化学报. 2016(06)
[8]改进随机森林及其在人体姿态识别中的应用[J]. 周博翔,李平,李莲. 计算机工程与应用. 2015(16)
[9]基于Linux的USB摄像头驱动程序的实现[J]. 丁勇,马秀丽. 科技资讯. 2015(23)
[10]基于SVM和HMM二级模型的行为识别方案[J]. 苏竑宇,陈启安,吴海涛. 计算机与现代化. 2015(05)
博士论文
[1]基于步态与人脸融合的远距离身份识别关键技术研究[D]. 李轶.天津大学 2011
硕士论文
[1]视频中人体行为识别方法研究[D]. 陆小芳.南京邮电大学 2018
[2]基于3D卷积神经网络的行为识别方法研究[D]. 吉璐.西安理工大学 2018
[3]基于ZigBee无线传感器网络智能家居系统的设计与实现[D]. 王琦敏.安徽理工大学 2018
[4]基于扩展数据集的LSTM行为识别方法研究[D]. 刘景巍.辽宁大学 2018
[5]低成本智能家居控制系统设计[D]. 李伟.南昌大学 2017
[6]基于双流CNN的异常行为分类算法研究[D]. 王昕培.哈尔滨工业大学 2017
[7]基于mjpg_streamer视频监控的运动目标检测系统研究[D]. 刘魏.南华大学 2016
[8]基于ARM11的嵌入式linux系统移植与实现[D]. 张霄.山东大学 2013
[9]基于S3C2440A的ZigBee+WiFi的智能家居控制系统[D]. 孟令许.成都理工大学 2012
[10]基于Qt的嵌入式Linux系统GUI的研究与实现[D]. 范朋.北京邮电大学 2011
本文编号：2899302
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
JZ2440开发板硬件结构图
第 3 章 系统硬件与软件的具体实现设备，故控制节点在硬件方面上必须提供足够多的引课题选择使用型号为 STM32F103C8T6 芯片作为控制为 STM32 系列芯片中的“增强型”，具备低功耗、低、性能高等特点[23]。虽然在增强系列中该款芯片的然具有 48 个引脚，远远多于使用广泛的 C51 单片机的时钟频率远高于 C51 单片机，并且拥有更大的存够满足控制节点功能的需求。该芯片的引脚如图 3.2
第 3 章 系统硬件与软件的具体实现通信技术。射频在通信的过程中具有相当良好的稳定性，并有较强的抗干扰性和安全性[27]。此外，多个控制节点可以利，便可以实现对房屋内电器的大范围控制。上考虑，本文设计的智能家居系统采用了射频技术的 nRF90一个完全集成的频率调制器，一个带解调器的接收器，一个晶体震荡器和一个调节器组成[29]。此外，nRF905 能够提供高需要昂贵的高速 MCU 来进行时钟覆盖与数据处理。降低 M意味着降低了 MCU 的成本，又缩短了软件开发时间。同时，内置完整的通信协议，控制芯片只需简单地与 nRF905 进行有5 与控制节点的芯片硬件上连接如图 3.3 所示。
【参考文献】：
期刊论文
[1]基于S3C2410X的嵌入式Linux系统的构建[J]. 鲍尚东,王杰. 山东工业技术. 2019(05)
[2]智能家居系统研究与设计[J]. 王少卿. 科技传播. 2018(24)
[3]采用PHOG融合特征和多类别Adaboost分类器的行为识别[J]. 马世伟,刘丽娜,傅琪,温加睿. 光学精密工程. 2018(11)
[4]智能家居应用现状及其发展分析[J]. 徐建材. 科技资讯. 2018(04)
[5]行为识别技术的研究与发展[J]. 祁家榕,张昌伟. 智能计算机与应用. 2017(04)
[6]CNN与决策树结合的新型人体行为识别方法研究[J]. 王忠民,张琮,衡霞. 计算机应用研究. 2017(12)
[7]基于深度学习的人体行为识别算法综述[J]. 朱煜,赵江坤,王逸宁,郑兵兵. 自动化学报. 2016(06)
[8]改进随机森林及其在人体姿态识别中的应用[J]. 周博翔,李平,李莲. 计算机工程与应用. 2015(16)
[9]基于Linux的USB摄像头驱动程序的实现[J]. 丁勇,马秀丽. 科技资讯. 2015(23)
[10]基于SVM和HMM二级模型的行为识别方案[J]. 苏竑宇,陈启安,吴海涛. 计算机与现代化. 2015(05)
博士论文
[1]基于步态与人脸融合的远距离身份识别关键技术研究[D]. 李轶.天津大学 2011
硕士论文
[1]视频中人体行为识别方法研究[D]. 陆小芳.南京邮电大学 2018
[2]基于3D卷积神经网络的行为识别方法研究[D]. 吉璐.西安理工大学 2018
[3]基于ZigBee无线传感器网络智能家居系统的设计与实现[D]. 王琦敏.安徽理工大学 2018
[4]基于扩展数据集的LSTM行为识别方法研究[D]. 刘景巍.辽宁大学 2018
[5]低成本智能家居控制系统设计[D]. 李伟.南昌大学 2017
[6]基于双流CNN的异常行为分类算法研究[D]. 王昕培.哈尔滨工业大学 2017
[7]基于mjpg_streamer视频监控的运动目标检测系统研究[D]. 刘魏.南华大学 2016
[8]基于ARM11的嵌入式linux系统移植与实现[D]. 张霄.山东大学 2013
[9]基于S3C2440A的ZigBee+WiFi的智能家居控制系统[D]. 孟令许.成都理工大学 2012
[10]基于Qt的嵌入式Linux系统GUI的研究与实现[D]. 范朋.北京邮电大学 2011
本文编号：2899302
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/2899302.html
