人类运动表示和运动模式识别基于复杂的模糊理论

文摘

随着科学技术的发展,虚拟现实技术的引入使得人机交互技术的发展到一个新的高度。虚拟现实和人机交互技术已经越来越多的应用在军事仿真、医疗康复、创造游戏,和其他领域。行动是人类行为的基础。其中,人类行为和行为分析是一个重要的研究方向。在人类行为和行动,识别研究基于行为和行动方便的特点,直觉,强相互作用力、丰富的表达信息,等等。它已经成为许多研究人员对人类行为分析的第一选择。然而,人类运动和电影与许多模糊因素复杂的对象,这是很难表达和处理。传统的运动识别通常是基于二维彩色图像,而二维RGB图像易受背景干扰,光线,环境和其他因素干扰人类的目标探测。近年来,越来越多的研究人员开始使用模糊数学理论来识别人类的行为。足底压力不同运动模式下的数据是通过实验收集的,和当前步态信息进行了分析。 The key gait events including toe-off and heel touch were identified by dynamic baseline monitoring. For the error monitoring of key gait events, the screen window is used to filter the repeated recognition events in a certain period of time, which greatly improves the recognition accuracy and provides important gait information for motion pattern recognition. The similarity matching is performed on each template, the correct rate of motion feature extraction is 90.2%, and the correct rate of motion pattern recognition is 96.3%, which verifies the feasibility and effectiveness of human motion recognition based on fuzzy theory. It is hoped to provide processing techniques and application examples for artificial intelligence recognition applications.

1。介绍

因为人类运动的多样性,嘈杂的场面,和多变的相机运动的观点,它是人类运动更难识别。人类行为的模糊识别已经成为模式识别。首先,人类行为不是一个单一的行动,但是一系列的行动,比如拿起手机,站起来,走到接电话。目前主流动作识别算法,如隐马尔可夫模型和动态时间规整算法通常用于分析一个单一的行动,如果我们想了解有关的一系列行动,我们需要把他们成一个单一的行动为进一步研究[1]。其次,训练样本的尺寸选择也给识别带来很大的困难。如果训练样本的尺寸太小,训练样本可能不包括所有的人类活动在实际场景2- - - - - -4]。例如,高峰等人只运动图像的位置实验者走路时手中。实验表明,实验者只是轻微颤抖的手行走时身体的两侧。的数据训练集联合点手不包含所有的人类活动。如果所选择的尺寸太大,它会增加我们的计算和复杂性,导致极低的效率。与此同时,人类联合点数据将混合着无关紧要的物理结构特征信息。例如,当人拿起电话,人体下肢的运动几乎没有影响对接,导致干涉运动识别。运动识别可以从根本上转换成模糊控制模式识别的问题(5- - - - - -8]。模糊控制技术的发展可以分为以下阶段:第一阶段。基本模糊控制器:在许多实际生产过程中,控制对象的精确模型通常很难获得,所以同样的控制方法不能用于完成控制过程的控制。其基本思想是使一些规则的基础通过运营商的经验对于那些系统难以建立精确的模型,以实现控制,将它们应用于实际控制对象,采用适当的策略,然后意识到控制对象的控制(9]。第二阶段。自组织和自学习模糊控制器:因为一些控制对象的复杂性和可变性,人们很难获得机械手完全和准确的实践经验,从而获得非常不完美和粗略的控制规则。在这个时候,如果使用了基本模糊控制器,控制效果将受到影响。另一方面,即使获得控制规则相对完美因为受控过程的参数是时变的,如果控制过程总是控制根据固定的规则,不能达到预期的控制效果(10]。第三阶段。智能模糊控制:与基本模糊控制器相比,尽管自学习和自组织模糊控制器可以发挥良好的作用,一些问题,自组织模糊控制仍然是实践经验的基础上,根据人民的意愿,来完成一个完整的部门,这样它就可以被容许区间调整,导致其有限的控制能力。在这种情况下,为了有效地控制复杂的生产过程,初步构造专家系统通过模糊控制规则而不断理解的机制过程控制对象,结合操作经验。然后,实际的生产过程是不断补充,修改和完善的生产学习系统,并形成机制操作的经验专业。在家庭系统,问题处理的过程是决定软件的生产学习系统,原系统知识由反馈修改。这就是所谓的智能模糊控制(11,12]。

根据互联网项目的背景和上面的问题,医学智慧和家庭已经成为一种不可抗拒的潮流,和促进家庭护理和社区护理已成为最好的解决方案13,14]。家庭护理和社区护理不仅可以促进老年人和减少家庭的负担,也减轻医务人员的负担(15]。这一主题研究一组智能远程医疗监控系统,用于监控老年人和慢性病患者在家庭和社区16),监护人可以监视自己的身体在家里的基本情况并进行远程视频与社区医务人员(17),与此同时,社区医院的医务人员可以参考健康记录的监护人18]。该系统大大减少了家庭护理的负担,促进了监护病房的健康,并可用于一些慢性疾病(19]。

他们的独特优势,无线传感器网络在各个领域的广泛应用。目标跟踪是无线传感器网络的重要研究热点之一(20.]。由于能源的限制和数据处理能力的传感器节点,研究基于无线传感器网络的目标跟踪技术主要集中在目标节点的有效跟踪和监控(21,22),同时,通过局部激活网络中传感器节点的协作跟踪(23),以减少传感器节点的能量消耗尽可能和延长无线传感器网络的生活24]。在监测区域,如果只有一个目标节点或仅为一个特定的目标节点,则系统属于单目标跟踪系统(25)和多目标跟踪系统需要处理的情况跟踪和监测多个移动目标节点在同一时间(26]。

运动分析允许人们了解目标对象的运动规律和用它来分析和建模27]。例如,医疗康复领域的,我们可以建立一个远程监控网络对患者加强病人的行为监测(28医疗数据),及时反馈;人体工程学领域,我们也可以提供足够精确的人体姿态数据研究[29日];领域的运动,运动分析技术可以用来模拟训练,运动员动作数据,记录和比较与标准模板(30.]。它可以用在娱乐产业产生生动的图片供参考(31日]。在人类运动识别系统基于传感器、去噪和平滑的数据通常是使用[32]。收集传感器数据信息时,抖动的人体和设备将系统噪声和测量噪声的系统包括在收集传感器数据信息(33,34]。因此,去除干扰噪声将提高系统的有效性和可靠性35]。

除了模糊识别,有效的特征系统识别所需的行为(36,37]。有效的行动功能起着非常重要的作用在运动的过程中识别,这将产生重大影响的运动识别的准确性。有许多不同的行动特点的行动,和不同类型的能力的特性来描述行动是完全不同的38]。因此,建立有效的人类运动特性已成为运动识别的关键。根据不同的应用场景或不同类型的行动,需要不同的操作功能描述。一般来说,运动特性可分为两种类型,一种是我的有效的底部特征图像,另一个是让人类姿态的三维结构模型的图像,然后提取有效的特征来描述人体运动(39]。图像的底层特征一般可以分为全局特征和局部特征。感兴趣的全球特性主要代表了全球地区作为一个整体的形象和编码代表大规模人体运动信息。全球功能主要包括时空特性,光学流动特性、运动能量地图,和轮廓特征。在现代,一些人提出了新方法。Lun和赵40]提议使用一个三维的哈里斯探测器捕获的兴趣点的几何分布。这个特性捕捉的几何信息的兴趣点并保持不变的几何变换。关于鲁棒性强,费雷尔和Sanfeliu41]提出一种光学流分析和随机抽样一致性方法代表了运动的特点。通过计算平均和标准偏差的水平和垂直方向特征点的光流场,检测到的运动目标。关于方向、Butepage et al。42)提出了结合运动能量地图和运动历史地图是人类运动特征来表示人体运动,然后匹配模板与存储模板的时间。该方法自动执行时间划分,速度变化的影响不大。关等。43)提出了一个概率公式联合轮廓提取和三维重建和计算最可能的三维形状通过生成颜色信息来构造一个轮廓特征。王等人。44]在极坐标下边缘提取的运动,然后计算每个运动区域的光学流动通过梯度算子在极坐标下完成目标跟踪。实验结果表明,多目标检测和跟踪是有效的。

基于足底压力传感器网络采集的数据在不同的运动模式,足底压力变化的特征在每个测量进行了研究。在此基础上,一组用于监测和识别的算法跟着陆和脚趾头步态事件的设计。算法可以动态地调整自身的参数根据当前步态周期,足底压力振幅相对价值,和其他信息,识别关键步态事件在不同的运动组合,并提供重要的运动步态信息模式识别。针对加速度变化的准周期性的特征在不同人类运动的过程中,人类运动模式识别的方法设计了基于步态事件信息。方法拦截加速度三轴加速度计采集的数据通过关键步态事件和建立一个数据集对人类运动模式识别。对于每个数据集,LDA建立分类器识别当前的运动模式。最后,投票决定在所有分类器的分类结果。全面识别精度的方法四个运动模式可以达到95.84%。

2。该方法

2.1。模糊神经网络的结构

模糊神经网络是一种神经网络与模糊权重系数或输入信号是一个模糊量。模糊模型的建模方法用于解决非线性系统。输入空间划分为若干个模糊与线性模型在每个地区的区域。当地的输出模型的加权输入隶属函数。因为有很多歧义在客观世界中,所以“模棱两可”可以更准确地描述客观世界,而不是“清晰。“模糊理论用隶属函数来描述事物的模糊度。它是一种精确的方法来解决这个问题的不确定性。它的表达更符合人类思维的逻辑,可以应用于许多学科和领域。在这篇文章中,但是模糊神经网络模型,是一个对于多输入系统。它有九个输入单元,包括八个行动的标准方差和质心变化。每个输入隶属函数。 The first layer of the system is the input layer, which is expressed as ;n是输入变量的数量。系统的第二层是隶属函数层,它的功能是将输入值转化为隶属度。输入值 在视频序列分为r离散序列数量使用成员函数,从[0,1]值。我们用一个高斯函数作为这一层的转换函数。

, ,r是离散分区的数量;是中间的平均值。是宽度。我们输入的值 在时间k,在那里是递归单位重量。是信息的时间吗k−1。第三层中的每个节点代表一个规则。这条规则来自学习算法。当前节点的前序节点依赖于规则的关系。节点功能依赖于应用程序的规则:

Z第三级节点的数量,这是规则的数量。第四层是输出层。对于多输入系统,初始权重值是规则的会员。然后,使用一个迭代算法,输出层的功能

2.2。特征提取

的轮廓的精确提取运动人体行为分析是一项重要的前期工作。在实际工程应用中,获得的图像有更多的噪音,和现有的边缘检测算法通常使用边缘检测算子如精明,Robertscross,普瑞维特,Sobel检测灰度值跳跃。人体的边缘图像所示。轮廓检测到这些方法一般不同的厚度,或者nonconnected的轮廓是由部分。出于这个原因,检测人体的轮廓后,需要大量的工作进行融合和精致的轮廓。数据预处理的流动图所示1。它包括数据清理、数据集成、数据变换和数据规范。填写清洁“清洗”数据的数据缺失值,平滑噪声数据,识别或删除离群值,和解决矛盾。结合数据集成例程和存储来自多个数据源的数据建立一个数据仓库。数据转换是将数据转换成一种适合数据挖掘的光滑的聚合数据泛化和规范化。数据还原技术可以用来获取的减少表示数据集,这是小得多,但仍保持原始数据的完整性,并且结果是相同或几乎相同的在减少。经过一系列的最初收集的数据的预处理,特征提取和选择是最重要的步骤在行为识别。特征提取和选择的质量将直接影响行为识别的准确性。在这个步骤之后,您可以实现以下目标:减少数据存储和输入数据带宽,减少冗余,提高数据分类,可以找到更有意义的潜在变量,并帮助数据的更深层次的理解。

特征提取的目的是为了从原始数据中提取最具代表性的特征,可用于比较逻辑的解释人类行为或信号。提取的特征值有以下特征:不同的行为的特点是不同的,很容易区分。目前使用的主要特征包括时域特性、频域特性,和时频特性。态度角度(横摇角、螺旋角和偏航角)最初是用于航空系统代表飞行物体的方位信息。当人体穿着惯性传感器执行不同的行为,这些设备绑定到人体可能会产生上下波动,左,右,和背部,类似于飞机的操作在有限的空间变化。启发,研究人员介绍了特征提取的姿态角对人类行为进行分类。一些典型的特点是采用:(1)绝对平均偏差(疯狂),(2)波峰因素,(3)光谱能量(阉割),和(4)两两相关系数。同时,算法的复杂性,需要考虑系统的能源效率。因此,提取特征后,算法应该被采纳。选择的功能如下。

特征选择的目的是选择最显著的特征值的特性集,减少原始特性集的维数。应用范围广泛的特征选择算法是主成分分析(PCA),线性判别分析(LDA),独立分量分析(ICA)。为了保持运动的主要特征信息,同时减少融合特征维度,主成分分析(PCA)是用于分析的融合特征角特性,特性,相对位置和速度特性的基础上,联合三维空间坐标。postdimensional融合特性作为训练和测试数据,并在此基础上,分类器的训练和识别人类行为类型的实现。在特征融合,只有不同的单一的功能可以被合并在描述相同的行动。描述这三个特性是相同类型的动作特征,表现出一定的互补性。因此,三个可以合并成一个单一的功能特性来表示人类的运动。为了有效融合的三个功能,预处理多个动作特性相结合,和主要组件是在此基础上提取出来。

主成分分析人体运动模型的结果如下:

LDA人体运动模型的结果如下:

ICA人体运动模型的结果如下:

其中,D是行动的特性角度,F是行动的功能位置,V是行动的特征速度。multifeature组合模型通过结合三个矩阵所示公式(7),然后,一个新的低维矩阵是通过减少与主成分分数维方法见公式(8)。

2.3。动作元素

动作元素有不同的含义从“基本行动”行动,动作元素,或国防部分析。建立动作元素的目的是反映设备的各种设计参数之间的映射关系的过程中操作和各种行为属性的过程中人类的运动。国防部的基本动作元素分析是类似的动作元素建立的感觉。的期限计算耦合多作用的元素。包需要在国防部分析用于计算时间关系,但一个动作元素可以一组一个或多个基本操作,包含相同的人类运动特征和物理属性。动作元素指的是组基本操作使用相同的操作类别和物理意义主体的运动过程中,当人们改变外部对象的运动状态。结合各种因素及其动态特性在舒适性分析的控制设备,操作元素的概念模型表示如下:

其中,在执行操作工作,人员重复和周期性的在许多情况下,人体感觉有时间累积效应。即使设备满足舒适要求,经过一段时间的机动操作,它还感觉不舒服由于能源消耗身体的累积效应造成的时间;因此,当研究舒适的操纵设备,需要削弱或消除重复操作和时间累积效应,这舒适的操作装置可以客观地评价和分析。基于这一考虑,使用设备所需的时间来完成一个特定的时区操纵的目的是研究,和所有使用的基本动作的集合操作符时区用作操纵过程中的调查学习时的舒适设备。action元素用于分解操作过程;因为操纵过程中的动作元素组合是一个动态变化的过程,各种动作元素动态各种操纵状态之间转移有一定概率,这个概率是整个操作。这个过程是确定不变的,概率很大程度上满足古典概率的分布状态。因此,无量纲的概率是由计算时间动作元素的能力在操纵过程中,每个动作元素的操作过程。的时间限制实现近似时间的累积效应的目的

人类行为的元素具有以下特性。(1)人类行为元素有一个继承层次链接结构和运动水平。人类行为元素形成的结构根据运动链接关系是一个树结构。肢体运动有层次继承;即父母的肢体运动可以推动其孩子的四肢做同样的运动,而孩子的肢体运动对父母的四肢没有影响。人类行为的层次继承元素可以用来分解复杂运动行动一步一步,和身体的形状和运动的位置参数表示移动肢体相对于父肢体。(2)人类行为的运动元素运动约束。人类的运动元素有两种运动模式,位移和旋转。当周围的肢体旋转接头点,它的自由运动和旋转角度受到一定的约束。(3)影响的程度的运动人体的整体运动与它在层次结构中的位置。

2.4。可视化的人类活动

人类运动的可视化的目的是使用人类的运动传感器采集的数据驱动人体模型在程序中,因此,人类的身体运动也可以复制到虚拟的3 d环境中。与录像人体运动相比,人类运动基于传感器数据的存储和显示系统和可视化方法数据量小等优点,可移植性强,方便观察和研究。我们使用怪物渲染引擎可视化人体运动。对于系统的可伸缩性,我们封装司机人体模型的方法在食人魔,为驾驶员提供一个数据格式的接口模型。数据转换模块负责将人类运动不同格式的数据转换成数据表示符合接口,从而实现隔离和控制解耦的目的和怪物模型输入数据的格式。目前,我们的可视化系统兼容两个人类运动输入格式,包括我们定义pose-based quaternion-based人类运动格式和BVH格式常见的人体运动。事实上,定义数据接口后,系统可以扩展更多的人类运动输入格式和各种不同的渲染引擎和虚拟人模型。人类运动可视化系统的结构如图2。

根据系统图的结构示意图2虚拟人模型的驱动方式,人类行为的可视化基于四元数表示,人类行为的可视化BVH格式,在虚拟场景和相机的控制。我们的系统使用人类的动作捕捉传感器由北京Noriton科技有限公司有限公司,收集人体运动数据。其设备提供了四元数的接口和BVH接口。因此,这个设备收集的原始数据格式是标准的人类运动可视化和BVH格式基于四元数表示。我们也意识到人类运动的可视化HDM05人体运动捕捉数据库中的数据。

不同的算法的复杂性如表所示1。其中,稳定的选择排序,希尔排序,快速排序,堆排序是贫穷。

3所示。实验

3.1。实验数据

本文的实验数据集使用人体运动捕捉数据库。有2564个人类运动数据库中的数据。他们贴上130人类运动类别和6244运动的例子。标志性的运动是符合其实际的参考运动,可以清楚地看到这种运动的实际意义。比喻动作表达抽象的内容,可以人为地赋予。每个运动数据包含一个序列为31骨骼的运动数据。使用在其网站上提供的代码,很容易获得数据的形式接头位置和姿态四元数。处理后,我们每个人运动存储在一个矩阵。矩阵中的每一行代表一个行动框架,每个人体运动有不同的长度,和最长的运动包含801帧的数据。捕捉人体姿势的采样率是30 Hz,关节位置的准确性是2厘米,和不同的长度有不同的运动分布直方图,如图3。

矩阵的每一行包含124个浮点数,每个四个代表相对姿态四元数的骨头在人类骨骼模型中,每一行31四元数。在每个实验中,我们将进一步根据需要处理数据。因为每个人类行为的时间长短不一,最长的行动长度是801帧。TensorFlow要求输入的形状张量是相同的。我们可以扩展人类行为短帧到801帧。但它会浪费大量的计算时间,和输入序列的长度差异将使模型偏离很大。所以我们每个人运动扩展到256帧以统一的长度。对人类的行为少于256帧,我们使用零帧完成他们256帧结束的时候行动;对于人类活动超过256帧,我们随机选择256帧无重复,让他们形成短序列在最初的秩序。这不仅结合人类行为的长度,而且减少了计算量,同时保留尽可能多的行动信息。

不同算法的比较如表所示2。的比较算法包括三个方面:时间复杂度,空间复杂度和正确性。本文中的模糊神经网络最低5%的时间复杂度,空间复杂度最低的10%,97.6%的最高精度。因此,本研究具有一定的参考意义。

3.2。实验环境

实验硬件环境和操作系统如表所示3。

在训练阶段的行动模型中,我们首先将序列子集中的操作行为的序列行为的框架表示。总共15个部门执行,15个实验设置。每个实验集包含一个训练集和测试集,然后对每个实验设置,操作实例是分段的行动序列训练集,构造概率模型字典的操作实例,然后,训练集的行动序列重新扫描,提取每一帧数据的概率模型使用概率模型字典。最后,我们使用概率特性向量训练我们的行动模式。在网络测试阶段,对于每个实验设置,我们首先使用概率模型字典建立在训练集的概率特征向量提取测试集的操作序列。然后,概率特征向量输入到训练行动模型,并通过比较获得的测试结果数据库。最后,测试结果的均值和方差的15个实验集作为最终结果。

4所示。讨论

在学习和培训的阶段。为了验证结果异常行为的模糊神经网络,打开表示方法用于图像特征表示。最小距离是用来计算距离,时刻和最小标准差作为输入量。网络的分类算法如下。关节角特征向量的分析角度和骨骼点的空间位置信息传输仿真系统根据预定义的交互手势动作,从而完成与虚拟仿真作战系统的交互。为了验证交互系统的有效性,很难获得完整的人体信息和人体形状的多样性由于限制的运动人体检测和提取技术。因此,很难完全提取内接矩形。在某些情况下,提取的理想内接矩形可能仍然陷入明显的地方特色。所以在实践中,确定一个矩形区域通常不是一个问题,找到一个最优解,但寻找一个理想的解决方案。获得的结果在正常情况下是主干。 Figure4显示了两个不同的动作。

在实际应用程序中,人体运动识别延迟是非常重要的。通常,如果不显示识别结果1 - 2秒钟后,它会严重影响用户的体验。识别操作简单的动作中包含的数据集,和大部分的动作实例仅在35帧。因此,我们采取行动的结束帧实例和34帧之前,作为一个行动。

当运动物体检测检测到一个移动物体,因为影子是不同于背景和相同的运动属性移动物体,影子也会检测到前台一起移动的对象,这意味着两个主要缺点。首先,物体的形状改变的阴影和shape-based功能将受到影响。缺点是两个或两个以上的物体产生的阴影可能会错误地认为是连接不同的对象,他们会发现为对象,这将产生负面影响在随后的应用,如目标跟踪和对象计数,导致更高的错误率的智能监控系统和系统的整体性能的下降。因此,为了正确分析移动对象,我们必须解决阴影的影响。确定重叠程度的窗户,我们要考虑过渡行为识别的准确性的影响,认识到人类行为。过渡行为指的是过渡状态,不同于任意行为改变的过程中从一个到另一个行为。有必要减少过渡的干涉行为数据分割,所以windows的重叠度设置为50%,和图像的阴影。由此产生的图像显示在图5。

从图可以看出,以下各关节的运动模型链的人体关节运动的要求,还和过滤方法采用稳定以下运动和满足需求的虚拟人类骨骼驱动交互的虚拟仿真。

然后,人类行为是随机选择从每个25相邻的行动和放入测试集,和其他人类活动投入训练集。这将确保类分布的训练集与测试集的一致。训练模型迭代100次训练集的行动。每次迭代都将随机排列训练集的数据。结果如图6和7。

从数据6和7,我们可以看到,损失函数的值随迭代,而分类的准确性随迭代,最终他们的变化趋于稳定,这符合一般神经网络模型的训练过程。在100年的迭代,特征提取和模式识别的准确率是90.2%和96.3%,分别。损失函数值模型的训练数据和测试数据的减少到0.072和0.289,分别。

为了获得实验动作模糊控制的结果,实验结果子集的行动指导形式获得的模糊控制图所示8。

从结果我们可以看到在图8操作的,效果不是很显著。仅从结果,动作有很多自由,这将使收集到的行动的例子,同样的行动显示变化非常丰富的同类行动,行动的报道实例会更好,和表演者根据这个是有限的。所做的行动消息将不符合指定的行动,和动作的准确性差。跟踪误差曲线的对比图得到的模糊控制方法。人类行为在整个生产过程中,跟踪误差区间获得的模糊跟踪控制相对较小,误差变化区间是−1%∼+ 1%,实现模糊行为的识别。

5。结论

高涨的一个新的研究领域出现了人类运动识别。运动模糊识别使人体运动识别到一个新的高度。可以预测,随着研究的深入,人体运动识别不仅是研究课题也是一种新技术,以促进我们的日常生活中。本文的主要研究内容是基于模糊理论的人类行为识别。鉴于大多数人类行为识别系统使用加速度传感器为主要数据来源,改善人类行为识别的准确性的可行性研究深度。本研究的主要方面包括以下:(1)它介绍了人类运动特征提取方法和提出了简单和复杂运动不同的识别方法。骨骼关节的变化特点,指出基于模糊理论被认为是人类运动的动态特性。简单的动作识别通过接合点的空间坐标信息,而复杂的行为是被使用正则化算法。也就是说,根据关节角的变化,使用模板匹配方法找到最高的行动模板相似。同时,动态时间规整算法的缺点指出。考虑到边坡和失真阈值,算法优化。实验结果表明,优化后动作识别的准确性高于传统算法(2)动态操作过程分为基于动作元素,和每个动作的时间限制元素在操作过程中根据预定时间标准法进行了分析。时间约束和重量限制的动作元素作为耦合系数,独立操纵过程耦合、动作元素和耦合多作用复合组作为操作过程的描述矩阵实现操作过程。有一个数字的描述。在本部分中,提出了动作元素的概念来描述复杂的动态过程与可衡量的行动元素可用于定量分析的因素。的定量研究提供了一个新的解决方案等复杂的非线性系统。(3)behavior-solving算法基于模糊理论提出了。为了测试该功能组基于方位信息是否可以改善人类行为识别系统的性能,有必要获得准确的方位角度的不同的行为。方位角的准确性是成功地提高了模糊算法,它提供了一个保证获得准确的方位特征在未来。

考虑到物理实现的步态事件信息监测参与本文算法相对复杂,运动模式识别方法还没有实现在实际的传感器系统,所以目前只使用收集的数据传感器系统进行相关的模拟人类步态识别的研究活动和运动模式。在未来,我们可以考虑使用分类器包括支持向量机和神经网络研究识别效果和实现这些算法在实际硬件系统来评估算法的优点和缺点。由于实验条件和时间的限制,本文只分析和讨论的四个常见的运动模式的识别一个人在正常走路,跑步,爬楼梯,下楼梯。识别的运动模式如上坡、下坡,将和跳跃,识别多个实验的运动模式,还需要更多的实验数据。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。

确认

这项工作是研究生科研基金支持的云南省级教育部门(2021 y070)。

引用

1. c . h . Lim e .大桶和c . s . Chan“模糊人类运动分析:审查。”模式识别,48卷,不。5,1773 - 1796年,2015页。视图:出版商的网站|谷歌学术搜索
2. j·黄和x王”,视频手臂运动估计和互动与模糊预测控制,”模式识别和图像分析,27卷,不。3、569 - 573年,2017页。视图:出版商的网站|谷歌学术搜索
3. z h . Liu Ju, x,“人类运动传感和识别:模糊定性方法,”研究计算智能施普林格,p。675年,柏林,德国,2017年。视图:谷歌学术搜索
4. h .高峰,p . Shujuan和l .鑫”缺失的人体运动捕捉数据恢复通过模糊聚类和近端投影点算法,”计算机辅助设计与计算机图形学杂志》上,27卷,不。8,1417 - 1427年,2015页。视图:谷歌学术搜索
5. t .鄂博c . k .厕所,m . Seera和n .日本久保田公司“混合进化神经模糊方法建立在相互适应人类的手势识别,”应用软计算,42卷,第389 - 377页,2016年。视图:出版商的网站|谷歌学术搜索
6. 张z l . Liparulo m . Panella x顾,,方问:“自治中风康复的内核运动模糊分类器,”IEEE生物医学和卫生信息学杂志》上,20卷,不。3、893 - 901年,2016页。视图:出版商的网站|谷歌学术搜索
7. w·g·王,李问:l . Wang Wang和t·刘,m . Wu“滑动窗口长度的影响在室内人体运动模式和基于智能手机的传感器,构成模式识别”传感器,18卷,不。6、2018。视图:出版商的网站|谷歌学术搜索
8. t . Hachaj m . r . Ogiela, k . Koptyra“人类行为识别的动作捕捉记录使用信号重采样和模式识别方法,”《运筹学,卷265,不。2,1卷,2016页。视图:出版商的网站|谷歌学术搜索
9. h . c . Wang姚,x的太阳,“异常检测基于时空稀疏表示和视觉注意力分析,“多媒体工具和应用程序,卷76,不。5 - 17,2016页。视图:出版商的网站|谷歌学术搜索
10. s·m·凯泽和Chowdhury表面神经模糊控制系统基于特征提取的肌电图信号太阳能轮椅,“认知计算,8卷,第954 - 946页,2016年。视图:谷歌学术搜索
11. 麻省理工学院Chacon-Murguia和g . Ramirez-Alonso模糊神经自适应背景建模与动态目标检测,自动运动分析”应用软计算36卷,2015年。视图:出版商的网站|谷歌学术搜索
12. p .梅林,o·卡斯蒂略,j . Kacprzyk”智能系统的设计基于模糊逻辑、神经网络和产品表面优化,“研究计算智能,卷601,不。7,1942 - 1947年,2015页。视图:出版商的网站|谷歌学术搜索
13. h . s . Basavegowda和g . Dagnew深微阵列癌症数据分类,学习方法”CAAI交易情报技术,5卷,不。1,22-33,2020页。视图:出版商的网站|谷歌学术搜索
14. r . m . Alguliyev r . m . Aliguliyev, l . v . Sukhostat”高效的大数据聚类算法在单独的机器,”CAAI交易情报技术,5卷,不。1,9-14,2020页。视图:出版商的网站|谷歌学术搜索
15. r·江x谅解备忘录,美国史et al .,“对象跟踪事件相机offline-online学习。”CAAI交易情报技术,5卷,不。3、165 - 171年,2020页。视图:出版商的网站|谷歌学术搜索
16. b . Keshtegar和m . l . Nehdi“机器学习模型的动力响应各种管道输送流体地震载荷作用下,“国际期刊的Hydromechatronics,3卷,不。1,38-50,2020页。视图:出版商的网站|谷歌学术搜索
17. b . r . Murlidhar r·k·Sinha e·t·穆罕默德r . Sonkar和m . Khorami”的影响,粒子群优化和遗传算法在安结果预测桩的承载力,”国际期刊的Hydromechatronics,3卷,不。1,第87 - 69页,2020。视图:出版商的网站|谷歌学术搜索
18. a . f . Shahgoli y Zandi, a . Heirati m . Khorami p . Mehrabi d .佩特科维奇,“优化丙烯转化反应的去噪方法,”国际期刊的Hydromechatronics,3卷,不。3、228 - 237年,2020页。视图:出版商的网站|谷歌学术搜索
19. m·马哈茂德答:塔拉,k金,“白鹿模型:明智的人机交互跟踪和评估(白色)使用时空和angular-geometric(鹿)描述符,“多媒体工具和应用程序,卷79,不。3,2020。视图:出版商的网站|谷歌学术搜索
20. k金、a .塔拉和m·马哈茂德”的人类活动建立识别系统使用深度轮廓:智能家居系统监测居民,”电气工程与技术》杂志上,没有。2、2019。视图:出版商的网站|谷歌学术搜索
21. A·艾哈迈德·塔拉,K金,“一种新的统计方法基于多目标分类的场景分类和逻辑回归,”传感器,20卷,不。14日,2020年。视图:出版商的网站|谷歌学术搜索
22. 美国b d . Tahir a·塔拉和k金,“可穿戴的惯性传感器基于亚当的日常活动分析优化和最大熵马尔可夫模型中,“熵,22卷,不。5 - 2020页。视图:出版商的网站|谷歌学术搜索
23. 答:塔拉,n . Sarif j·t·金,t·s·艾。金,“人类活动通过公认的人类身体部位深度轮廓识别居民在智能家居监控服务,“室内和建筑环境,22卷,不。1,第279 - 271页,2013。视图:出版商的网站|谷歌学术搜索
24. m·奎德和塔拉,“可穿戴传感器基于人类行为模式识别使用统计特性和遗传算法,再加权”多媒体工具和应用程序,卷79,不。9、1、2020页。视图:出版商的网站|谷歌学术搜索
25. 答:塔拉,s·卡马尔和d·金”形状和运动特性的方法活动从kinect摄像头跟踪和识别,”《IEEE国际会议上先进信息网络与应用研讨会IEEE,页445 - 450年,2015年。视图:谷歌学术搜索
26. 答:塔拉,s·卡马尔和d·金”深度视频传感器老年人护理生活记录人类活动识别系统在智能室内环境中,“传感器,14卷,不。7,11735 - 11759年,2014页。视图:出版商的网站|谷歌学术搜索
27. a·艾哈迈德,a·塔拉和k金,“RGB-D图像对象分割、定位和识别在室内场景使用特征描述符和脚腕投票,”学报》国际Bhurban应用科学与技术会议,IBCASTIEEE,伊斯兰堡,巴基斯坦,2020年1月。视图:谷歌学术搜索
28. 答:塔拉,m . Batool, k金,“随机识别的身体活动和医疗使用三轴惯性可穿戴传感器,”应用科学,10卷,不。20,7122年,页2020。视图:出版商的网站|谷歌学术搜索
29. 答:塔拉,中州。金,Y.-J。金,美国Kamal, d . Kim“健壮的人类活动识别使用时空multi-fused特性,从深度视频”模式识别卷,61年,第308 - 295页,2017年。视图:出版商的网站|谷歌学术搜索
30. s . Tahir答:塔拉,m . Batool,“可穿戴传感器使用SMO-based活动分析随机森林在智能家居和运动数据集,”使用SMO诉讼活动可穿戴传感器的分析——基于随机森林在智能家居和运动数据集IEEE,拉合尔,巴基斯坦,2020年2月。视图:谷歌学术搜索
31. m . Batool, a·塔拉和k金,“远程控制的日常活动使用加速度计和陀螺仪在智能家居环境中,“电气工程与技术》杂志上15卷,第2809 - 2801页,2020年。视图:出版商的网站|谷歌学术搜索
32. s . a . Rizwan a·塔拉和k金,”一个精确的面部表情探测器利用multi-landmarks选择和当地变换特性,”学报2020年第三届国际会议在计算科学进步(专案),IEEE,皮斯卡塔韦,新泽西,美国,2020年2月。视图:谷歌学术搜索
33. a·塔拉:立德、k金”自动识别人类的交互通过混合使用深度传感器,描述符和最大熵马尔可夫模型”熵,22卷,不。817,817年,页2020。视图:出版商的网站|谷歌学术搜索
34. 卡马尔和A·塔拉”混合特征提取方法对人类检测、跟踪和识别活动使用深度传感器,”阿拉伯科学与工程》杂志上第41卷。。3、1043 - 1051年,2016页。视图:出版商的网站|谷歌学术搜索
35. n i Yaacob和n . m . Tahir“步态识别的特征选择,”诉讼的人文、科学和工程研究IEEE 2012。视图:谷歌学术搜索
36. A . Taimori和A . Behrad”面临的新的变形网格模型跟踪使用基于边缘特征和小说集的能量函数,“多媒体工具和应用程序,卷74,不。23日,第10759 - 10735页,2015年。视图:出版商的网站|谷歌学术搜索
37. 任美国x Qinkun, d .勇,“人类运动检索基于统计学习和贝叶斯融合,“《公共科学图书馆•综合》,11卷,不。10篇文章ID e0164610 2016。视图:出版商的网站|谷歌学术搜索
38. 长x, x, x,“优势结束的运动分割方法基于一种混合场蛇,”《国际会议上模糊系统与知识发现IEEE,重庆,中国,2014。视图:谷歌学术搜索
39. c . Guada d·戈麦斯和j·t·罗德里格斯”分类图像分析技术的输出,国际期刊的计算智能系统,9卷,不。sup1,页43 - 68,2016。视图:出版商的网站|谷歌学术搜索
40. r . Lun和w·赵”的调查应用程序和人体运动识别与微软的kinect,”模式识别与人工智能》国际期刊上卷,29号5、文章ID 1555008, 2015。视图:出版商的网站|谷歌学术搜索
41. 费雷尔和a . Sanfeliu“贝叶斯人类运动意图预测在城市环境中,“模式识别的字母,44卷,第140 - 134页,2014年。视图:出版商的网站|谷歌学术搜索
42. j . Butepage m .黑色,d . Kragic“深表示学习人类运动预测和分类,”2017年,https://arxiv.org/abs/1702.07486。视图:谷歌学术搜索
43. 问:关,c·李、郭x和g .王”压人类运动的分类使用热释电红外传感器,”模式识别的字母49卷,第237 - 231页,2014年。视图:出版商的网站|谷歌学术搜索
44. c . p . Wang元,w .胡锦涛,“基于图像的骨架运动表示和相似性度量动作识别,”欧洲计算机视觉的诉讼施普林格国际出版、荷兰阿姆斯特丹,2016年10月。视图:谷歌学术搜索
45. Seyedin和s·m·阿哈迪“强劲MVDR-based语音识别特征提取,”国际会议信息的程序,IEEE出版社,新加坡,2009年4月。视图:谷歌学术搜索
46. 答:塔拉,i, k金,“人体姿态估计和可持续的事件通过pseudo-2D坚持分类模型和K-ary树散列,“可持续性,12卷,2020年。视图:出版商的网站|谷歌学术搜索
47. A·塔拉·m·A·K·奎德s b, d . Tahir和K金,“研究加速度计和陀螺仪测量检测系统在物理创建人生航志活动,“传感器,20卷,不。6670,6670年,页2020。视图:出版商的网站|谷歌学术搜索
48. a . a . Rafique a·塔拉和k金,“自动可持续的多目标分割和识别通过修改采样共识和内核滑动感知器,”对称,卷1928,p . 2020。视图:出版商的网站|谷歌学术搜索
49. 答:塔拉和y金”,基于稠密深度地图人体姿态跟踪和识别在动态场景使用脊数据,”《IEEE国际先进的视频会议与信号监测IEEE,页119 - 124年,哥伦布,哦,美国,2014年6月。视图:谷歌学术搜索
50. a·塔拉·m·奎德,k金,“基于加速度的人体运动分析和分类环境智能家居系统,”电气工程与技术》杂志上,14卷,不。2、2019。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Xiangkun李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。