人体动作识别已经受到了广泛的关注,它在医疗、安全、娱乐和军事等许多领域都具有重要应用。传统的基于视频的动作识别方法,容易受到物体遮挡、光线条件等多种因素的制约,且不利于用户隐私的保护。随着微电子和无线通讯技术的快速发展,基于可穿戴传感器的动作识别已成为研究热点。与基于视频的方法相比较,传感器的高计算能力、小尺寸和低成本等特点,使得人们可以将这些设备作为日常生活的一部分与其进行交互。这将极大地促进移动健康管理以及运动监测等多种应用的发展,在普适计算中具有重要意义。本文使用可穿戴传感器节点,采集并存储运动时的加速度和角速度数据,对人体动作识别的方法进行了深入分析,具体工作包括:1.采用单个传感器节点对人体下肢动作进行了识别。针对动作识别实时性的需求,提高分类效率是需要解决的关键问题。为此,本文提出一种基于模糊聚类的方法,将大量的训练样本归为少数聚类中心,并基于这些中心向量和隶属度函数设计分类器。实验结果表明,相比于一些常见的分类算法,该方法获得了较高的识别正确率。而且,它是基于小样本的数据集识别下肢动作,不但缩短了分类器执行任务所需的时间,同时也降低了系统的存储需求。2.目前已有的动作识别研究主要针对一些简单的基本动作进行分类,对于上肢和下肢同时产生运动的情形缺少分析。为此,本文提出一种分层机制和神经网络相结合的方法,将复杂的并发动作识别分为两个阶段的任务。其中,底层采用一个神经网络对人体的下肢动作进行分类,而顶层则采用多个神经网络建模上肢动作,并推断出最终的并发动作。本文提出的方法将整体的分类问题分解成两个子问题,降低了决策边界的复杂性,识别效果明显优于基于单层的方法。3.在复杂的动作识别中,需要充分挖掘动作时间序列数据间的关联。为此,本文提出了一种基于平行隐马尔可夫模型的方法,采用一组具有时间顺序的特征向量序列来描述动作的持续和转移。提取统计时域和频域特征作为观测向量,并使用主成分分析的方法进行特征降维。在动作的识别阶段,平行隐马尔可夫模型结合两个信道的概率做出最终的决策。实验结果表明,本文提出的基于序列的识别方法,在性能上优于基于单示例的一些分类器。4.基于可穿戴传感器的人体动作识别研究多集中于讨论单人动作,很少有工作分析双人交互动作。本文针对日常生活中常见的交互动作,采用动态时间规整和马尔可夫逻辑网相结合的方法对其进行分类。其中,动态时间规整算法用来分类单人动作,马尔可夫逻辑网则通过语义建模双人交互动作。马尔可夫逻辑网为每个规则分配了一个相关联的权重,使得它在进行决策时具备一定的纠错能力,可以帮助提升双人交互动作识别的正确率。