基于智能手机的人体动作识别关键技术研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 研究意义 | 第10-11页 |
| 1.1.2 国内外研究现状 | 第11-12页 |
| 1.2 论文主要研究内容 | 第12-13页 |
| 1.3 论文结构安排 | 第13-14页 |
| 第2章 动作识别相关技术及国内外研究现状 | 第14-31页 |
| 2.1 智能手机传感器设备及应用 | 第14-17页 |
| 2.1.1 惯性传感器 | 第14-15页 |
| 2.1.2 位置传感器 | 第15-16页 |
| 2.1.3 环境传感器 | 第16-17页 |
| 2.2 智能手机应用于环境感知 | 第17-18页 |
| 2.2.1 人类行为研究的历史 | 第17-18页 |
| 2.2.2 传感器设备加入人体活动识别研究 | 第18页 |
| 2.3 传感器动作识别处理过程 | 第18-20页 |
| 2.3.1 传统行为感知过程 | 第19-20页 |
| 2.3.2 用户参与感知过程 | 第20页 |
| 2.4 数据预处理阶段 | 第20-23页 |
| 2.4.1 数据校验 | 第21页 |
| 2.4.2 位置对传感器数据的影响 | 第21-22页 |
| 2.4.3 方向对传感器数据的影响 | 第22-23页 |
| 2.5 数据特征提取阶段 | 第23-24页 |
| 2.5.1 时域特征 | 第23-24页 |
| 2.5.2 频域特征 | 第24页 |
| 2.5.3 启发式特征 | 第24页 |
| 2.6 动作识别分类算法 | 第24-29页 |
| 2.6.1 学习训练过程 | 第24-26页 |
| 2.6.2 传统行为识别分类算法 | 第26-28页 |
| 2.6.3 各分类算法对比 | 第28-29页 |
| 2.7 本章小结 | 第29-31页 |
| 第3章 面向智能手机动作识别的位置判定 | 第31-46页 |
| 3.1 手机传感器数据收集及预处理 | 第31-36页 |
| 3.1.1 数据去噪处理 | 第32-33页 |
| 3.1.2 数据特征提取 | 第33-36页 |
| 3.2 基于SVM的分类算法 | 第36-40页 |
| 3.3 离线智能手机位置识别模拟认证系统 | 第40-43页 |
| 3.3.1 Libsvm平台介绍 | 第41页 |
| 3.3.2 系统总体设计 | 第41-42页 |
| 3.3.3 系统功能实现 | 第42-43页 |
| 3.4 智能手机位置识别系统实验 | 第43-45页 |
| 3.4.1 MATLAB平台下离线分类实验 | 第44-45页 |
| 3.4.2 在线识别系统实验 | 第45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于决策树分类的智能手机动作识别 | 第46-58页 |
| 4.1 动作识别算法原理 | 第46页 |
| 4.2 基于决策树分类的动作识别算法 | 第46-54页 |
| 4.2.1 分类算法原理与基本过程 | 第46-49页 |
| 4.2.2 求信号近似周期算法 | 第49-53页 |
| 4.2.3 学习训练过程 | 第53-54页 |
| 4.2.4 分类处理阶段 | 第54页 |
| 4.3 动作识别实验结果与分析 | 第54-57页 |
| 4.3.1 实验环境 | 第55页 |
| 4.3.2 实验结果及误差分析 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66页 |
