基于手机传感器的交通行为识别的设计和实现

发布时间：2021-08-27 07:13

　　人类行为识别（Human Activity Recognization,HAR）的目标是识别现实生活中常见人类活动,其研究始于20世纪80年代主要应用于医疗、保健领域。行人交通行为识别是HAR的一种,需要识别行人静止、走、跑、骑自行车、乘坐轿车、公交车、地铁和火车等多种交通行为。随着智能手机的普及,基于手机内置的多种传感器识别行人交通行为的研究得到了越来越多人的关注。目前行走和跑步的识别精度已能够达到95%以上,但对于乘坐各种交通工具和静止状态识别精度还不够,本文针对上述问题提出基于两级分类的行人交通行为识别方法,并分析了常用分类器的性能,最后在每级都采用随机森林作为分类器,使用较小的计算代价提高识别乘坐各种交通工具和静止状态的精度。通过分析随机森林各参数对分类精度的影响,选择采用贝叶斯优化算法优化每级分类器的参数。在特征提取阶段,本文分析了现存特征在识别交通工具时的缺陷,提出了频域区间能量特征的提取方法,通过新的特征更准确地分辨乘坐不同交通工具的差异。另外还根据真实场景中状态之间的转换关系,通过设置初始转移矩阵,加入了隐马尔可夫模型（Hidden Markov Model,HMM）建... 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题背景与意义
    1.2 国内外研究现状
    1.3 研究内容和设计指标
        1.3.1 研究内容
        1.3.2 设计指标
    1.4 论文组织结构
第二章 交通行为识别的原理
    2.1 行人运动模式识别的主要框架
    2.2 数据预处理
    2.3 常用特征提取
    2.4 常用机器学习算法原理
        2.4.1 决策树算法
        2.4.2 随机森林算法
        2.4.3 其他分类器
    2.5 评价方法
    2.6 本章小结
第三章 基于两级分类和序列修正的行人运动模式识别方法的设计
    3.1 两级分类架构的设计及参数优化
    3.2 两级分类器的选取及参数优化
        3.2.1 不同分类器的对比
        3.2.2 随机森林的参数优化
    3.3 分类器模型的验证
    3.4 基于序列预测的分类优化模型的设计
    3.5 本章小结
第四章 特征分析以及新特征提取方法的设计
    4.1 特征分析及新特征提取方法的设计
        4.1.1 现有模型特征分析
        4.1.2 频域区间能量特征分析
        4.1.3 新提取频域能量特征的分类
    4.2 本章小结
第五章 全分类的实现与分析
    5.1 实验方案和评价方法
    5.2 全分类结果及分析
        5.2.1 手机所处位置多样性随机测试
        5.2.2 行人多样性的随机测试
        5.2.3 行人多样性连续路径测试
    5.3 不同分类结果的对比
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读硕士学位期间发表论文



本文编号：3365912