人体动作识别技术在当今的生活中有着非常广泛的应用,在体育训练、医疗康复训练、影视制作、跌倒检测等领域都发挥着巨大的作用,因此该领域一直是一个研究热点。目前在人体动作识别领域主要是采用基于计算机视觉的方法对人体进行监测,然后从视频序列中提取出有效信息对人体动作进行识别。但是基于视觉的动作识别系统容易受环境影响、容易侵犯个人隐私且相机位置必须固定、便携性差,为了克服这个缺点,人们逐渐考虑采用另外的方式获取人体动作信息。微机电系统(Micro-Electro-Mechanical System,MEMS)技术的进步,使得IMU(Inertial Measurement Unit)的体积不断减小、价格越来越低;无线传输技术的发展使得我们可以构建微型传感器网络用于我们的日常生活当中,这些都为基于可穿戴设备的人体动作识别系统的开发提供了基础。在此基础上,本文采用可穿戴设备对人体动作进行识别。本文首先设计了基于IMU和薄膜压力传感器的可穿戴系统用于人体动作数据采集。IMU用来获取人体的加速度、角速度、姿态等人体动作信息用于动作识别。考虑到人体运动中包含着丰富的生物力学信息,除了加速度等运动学信息外,足底压力、肌电信息、心率信息等也能描述人体的运动情况。因此单一类型的传感器采集的动作信息是无法完整描述人体动作的。人行走的过程就是足底与地面不断相互作用的过程,人体的运动基本都伴随着足底压力的变化,因此人体的运动与足底的压力息息相关。所以除了IMU之外,本文还选择了可穿戴的足底压力测量装置,采集人体动作信息的压力部分。然后根据人体骨架模型和足底压力分布的情况,确定IMU和薄膜压力传感器的安放位置;最终采集到的信息,通过无线传输装置发送到上位机进行保存用于后续的动作识别。然后对采集到的数据进行处理。首先对动作数据进行平滑滤波,消除噪声的影响;考虑到采集的动作数据中含有大量静止的动作数据,设计了基于阈值的动作分割算法提取出有用的动作段;在提取出动作段后,从均值、方差、偏度、峰度等统计特征和加速度、足底压力等物理特征两方面提取出常用的动作特征对人体日常动作进行具体的描述。最后采用决策树算法和支持向量机(Support Vector Machine,SVM)算法对预先定义的13类动作进行了识别。动作特征往往依靠经验进行选择,因此在选择特征的过程中容易出现冗余的现象,当选择的特征过多时会增加计算的复杂度。本文首先采用决策树算法进行动作的识别,决策树识别过程中会筛选出对分类识别有用的特征,从而减少特征的数目。然后将决策树筛选出的特征用于SVM算法中,实验表明取得了很好的识别效果。