基于智能手机的人体行为识别研究

发布时间：2021-05-18 11:55

　　人体行为识别在计算机视觉领域的重要课题,其在健康医疗、智能家居、安全监控、游戏控制等领域有着广泛地应用前景。近年来,智能手机发展迅速,其不仅搭载了多种惯性传感器,而且具备计算能力,便携性好,这使得基于智能手机的人体行为识别研究越来越受到研究者的关注。同时,深度学习理论的发展也为行为识别研究提供了新的思路。另外,基于智能手机的人体行为识别应用在追求高的准确率的同时,往往也会关注应用的实时性和能耗,因此本文主要针对这两个方面进行了分析和研究。具体内容如下:传统的RNN（Recurrent Neural Network,循环神经网络）及LSTM（Long Short Time Memory,长短期记忆）网络能够提取样本中的时间依赖特征,这非常适用于基于智能手机传感器的人体行为识别的应用场景,但是它们的时间复杂度却比较高。针对该问题,本文提出了一种基于多层并行LSTM网络的行为识别算法。该算法通过样本分割、并行处理和特征融合的方式对样本进行特征提取,不仅可以提取出时间依赖特征,还能降低时间复杂度。实验表明,该算法相较于传统的机器学习算法有更高的准确率,并且时间复杂度低,实时性高,适用于智能手机... 

【文章来源】：南京邮电大学江苏省

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 行为识别研究现状
        1.2.2 深度学习研究现状
        1.2.3 基于深度学习的行为识别研究现状
    1.3 面临技术问题及挑战
    1.4 本文的研究内容
    1.5 论文的组织结构
第二章 相关背景知识介绍
    2.1 基于手机传感器的人体行为识别
        2.1.1 人体行为识别概述
        2.1.2 手机传感器
    2.2 深度学习
        2.2.1 监督学习
        2.2.2 深度神经网络
    2.3 强化学习
        2.3.1 强化学习基本概念
        2.3.2 马尔科夫决策过程
        2.3.3 值函数
        2.3.4 行为选择机制
        2.3.5 Q学习算法
    2.4 本章小结
第三章 基于多层并行LSTM网络的行为识别算法
    3.1 循环神经网络简介
        3.1.1 循环神经网络
        3.1.2 LSTM网络
        3.1.3 LSTM的时间复杂度
    3.2 基于多层并行LSTM网络的行为识别算法
        3.2.1 网络结构
        3.2.2 训练参数
    3.3 实验结果与分析
        3.3.1 UCI数据集
        3.3.2 实验设置
        3.3.3 实验结果
    3.4 本章小结
第四章 基于强化学习的自适应采样率算法
    4.1 采样率对能耗及准确率的影响
    4.2 基于强化学习的自适应采样率算法
        4.2.1 问题描述
        4.2.2 算法模型
    4.3 构建采样率选择器模型
    4.4 深度Q学习算法
    4.5 实验结果与分析
        4.5.1 数据集
        4.5.2 实验结果
    4.6 本章小结
第五章 总结与展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间参加的科研项目
致谢


【参考文献】：
期刊论文
[1]Activity Recognition with Smartphone Sensors[J]. Xing Su,Hanghang Tong,Ping Ji.  Tsinghua Science and Technology. 2014(03)

硕士论文
[1]基于智能手机传感器的人体行为识别技术研究[D]. 丁忠成.湖南大学 2018
[2]基于惯性传感器的体感动作识别和分析[D]. 陈宇清.华南理工大学 2018
[3]基于深度学习的人体行为识别方法研究[D]. 陈玲.电子科技大学 2018
[4]基于智能手机的人体跌倒监控系统的研究[D]. 朱彤昆.电子科技大学 2018
[5]基于手机传感器的行为和手势识别的研究与实现[D]. 卢帅.电子科技大学 2018



本文编号：3193747