Android平台下的实时人体行为识别

doi:10.3778/j.issn.1002-8331.1806-0138

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (24): 164-167.DOI: 10.3778/j.issn.1002-8331.1806-0138

Android平台下的实时人体行为识别

贾小云1，王二虎1，吴敬一2

1.陕西科技大学电气与信息工程学院，西安 710021
2.东南大学电子科学与工程学院，南京 210096

出版日期:2018-12-15 发布日期:2018-12-14

Real-time human behavior recognition based on Android platform

JIA Xiaoyun1, WANG Erhu1, WU Jingyi2

1.School of Electrical and Information Engineering, Shaanxi University of Science & Technology, Xi’an 710021, China
2.School of Electronic Science and Engineering, Southeast University, Nanjing 210096, China

Online:2018-12-15 Published:2018-12-14

摘要/Abstract

摘要： 为了提高Android平台下实时人体行为识别方法的性能，提出对动作变化和过渡动作进行检测和分割的方法。该方法采用加速度在重力方向上的投影和水平方向上投影的幅值来表征行为活动，通过趋势判断行为变化，结合趋势突变点检测和DTW算法进行过渡动作分割。提取加速度时域特征，使用随机森林对九种行为进行分类识别，平均识别率达到97.26%，其中过渡动作平均识别率达到95.05%。

关键词: 行为识别, 加速度, 过渡动作, 手机传感器

Abstract: In order to improve the performance of the real-time human behavior recognition method based on the Android platform, a method for detecting and segmenting motion changes and transitional motions is proposed. This method uses the projection of the acceleration in the direction of gravity and the amplitude of the projection in the horizontal direction to characterize the behavior. The trend of the acceleration is used to judge the behavior change, and the trend mutation point detection and the DTW algorithm are used to perform the transition action segmentation. Extracting the characteristics of acceleration time domain, nine kinds of behaviors are classified and identified using random forest. The average recognition rate reaches 97.26%, and the average recognition rate of transitional movement reaches 95.05%.

Key words: activity recognition, acceleration, transition motion, smartphone sensors

贾小云1，王二虎1，吴敬一2. Android平台下的实时人体行为识别[J]. 计算机工程与应用, 2018, 54(24): 164-167.

JIA Xiaoyun1, WANG Erhu1, WU Jingyi2. Real-time human behavior recognition based on Android platform[J]. Computer Engineering and Applications, 2018, 54(24): 164-167.

[1]	刘勇，谢若莹，丰阳，王亚辉，刘亚清. 智能家居中的居民日常行为识别综述[J]. 计算机工程与应用, 2021, 57(4): 35-42.
[2]	王子儒，李振民. 融合数据增强的迁移字典学习[J]. 计算机工程与应用, 2021, 57(23): 193-199.
[3]	刘锁兰，顾嘉晖，王洪元，张云鹏. 基于关联分区和ST-GCN的人体行为识别[J]. 计算机工程与应用, 2021, 57(13): 168-175.
[4]	李元祥，谢林柏. 基于深度运动图和密集轨迹的行为识别算法[J]. 计算机工程与应用, 2020, 56(3): 194-200.
[5]	惠飞，郭静，贾硕，邢美华. 基于双向长短记忆网络的异常驾驶行为检测[J]. 计算机工程与应用, 2020, 56(24): 116-122.
[6]	祁大健，杜慧敏，张霞，常立博. 基于上下文特征融合的行为识别算法[J]. 计算机工程与应用, 2020, 56(2): 171-175.
[7]	盖赟1，荆国栋2. 多尺度方法结合卷积神经网络的行为识别[J]. 计算机工程与应用, 2019, 55(2): 100-103.
[8]	景元1，2，吉爱红2，张曦元2，3，宋雅伟4，陈炜峰1. 传感器人体运动行为特征识别研究进展[J]. 计算机工程与应用, 2019, 55(1): 23-28.
[9]	郇战，李晨，万彩艳，陈学杰. 基于步行加速度信息分割的人员识别[J]. 计算机工程与应用, 2019, 55(1): 203-209.
[10]	王正杰，杨伟丽，王喆，侯玉珊，郭银景. 基于CSI的行为识别研究综述[J]. 计算机工程与应用, 2018, 54(5): 14-23.
[11]	高大鹏，朱建刚. 多维度自适应3D卷积神经网络原子行为识别[J]. 计算机工程与应用, 2018, 54(4): 174-178.
[12]	鹿天然，于凤芹，杨慧中，陈莹. 基于显著性检测和稠密轨迹的人体行为识别[J]. 计算机工程与应用, 2018, 54(14): 163-167.
[13]	李昕咛，周治平，刘乐乐. 结合多传感器信息分析的手机用户认证方案[J]. 计算机工程与应用, 2018, 54(1): 140-145.
[14]	周鑫燚，甘胜江，孙连海，匡胤. 改进联合彩色和深度图像特征的人体行为识别[J]. 计算机工程与应用, 2017, 53(8): 180-185.
[15]	李小光，卜方玲，徐新. 基于手机加速度计的地震场景分层识别方法[J]. 计算机工程与应用, 2017, 53(6): 252-257.

Android平台下的实时人体行为识别

Real-time human behavior recognition based on Android platform

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics