基于加速度传感器的人运动识别是近年来计算机领域中新兴起的研究前沿方向之一，即将加速度传感器穿戴在用户身上或将它集成在手机或PDA等手持设备上，通过分析人运动时所产生的加速度信号来进行检测，识别用户的运动状态并对其行为进行理解和描述，它属于穿戴式计算（Wearable Computing）和普适计算（Ubiquitous computing）的重要研究内容之一。相比基于视觉的人运动识别，它具有设备简单、可长时间监控和易于集成到手持设备中等优点，因此它在健康检测、基于手持设备的上下文感知、新颖自然的人机交互、人体运动能量消耗评估等领域均有着广阔的应用前景。相比基于视觉的人的运动识别，目前该方向的研究还处在一个相对基础的阶段，客观环境的多样性以及人运动的复杂性使得人的运动识别变得比较困难，有很多亟待解决的问题摆在研究者面前。　　 本文以人运动识别为究对象，包括人的日常活动和手势识别，针对人运动时加速信号自身固有的特点，对人运动加速度信号特征提取和识别进行了如下五方面的研究：　　 1．基于加速度传感人运动识别是一个新兴发展起来的识别技术，目前还没有一个标准的数据库。本文首先基于ADXL330设计了加速度数据采集平台，并建立了人的日常活动和手势的数据库，这是进行研究的重要基础和先决条件。　　 2．根据人的日常活动的加速度信号特性，提出了三种不同的特征提取方法。第一：首次提出对加速度信号进行自回归（AR）建模，然后提取其AR系数作为特征，实验结果表明它比传统的时域统计特征有更好的识别性能。第二：在AR模型的基础上，进一步提出小波AR模型（Wavelet-AR）的特征提取方法。它首先采用了小波多分辨率分析的方法，将信号分解到有利于分类的信号频带中，然后提取小波系数的AR系数作为特征，实验结果表明它比单纯采用AR模型具有更好的识别性能和抗噪性能。第三：结合余弦变换（DCT）和主成分分析（PCA），提出DCT+PCA的特征提取方法。首先将信号变换到DCT域，然后依据DCT系数能量分布特性来提取DCT系数幅值作为特征，最后采用PCA进行特征维数缩减。实验结果表明，这种特征提取方法具有良好的稳定性和很高的识别率。当采用多类支持向量和留一法测试时，对四种常见人类活动，如走路，跑步，向上跳，静止达到97．51％的识别率。　　 3．为了实现人运动识别的实时系统，根据四种运动时加速度信号的物理特性和波形的几何特征，从竖直方向的加速度信号中提取一种新的特征，即失重特征。由于加速度传感器在随人一起运动时，会出现与人体的相对运动，如旋转现象等。为了有效地从竖直方向的加速度信号中提取失重特征，提出利用重力的方向来获得动态加速度信号的竖直分量。然后结合信号的失重特征和峰值提取出6维特征，实验结果表明：此特征提取方法具有识别率高、速度快，维数少，对传感器位置不敏感等优点。最后本文基于失重特征和信号的峰值实现了二个高效的实时系统。　　 4．提出采用加速度传感手势识别来实现人机交互的框架。围绕加速度手势信号长度不一带来特征提取和分类器设计困难的问题，提出了三种解决方案和多种特征取方法。第一种方案：借鉴语音信号处理技术，提取三轴加速度信号的合力的美尔倒谱系数（MFCC），然后采用隐马尔可夫模型（HMM）进行训练和测试：第二种方案：提出采用重采样技术将信号规整到同一长度，然后对加速度信号进行一维Gabor变换，提取Gabor系数作为特征。针对Gabor特征维数高、冗余大的缺点，引入Boosting算法进行特征选择。第三种方案：根据手势加速度信号的能量主要集中在低频部分的特点，对信号进行FFT、DCT变换后，提取前面低频系数作为特征，抛弃高频部分的系数，这样既可以解决信号长度不一的问题，又可以缩减特征维数。此外，还将小波包分析引入进来，将信号正交分解到不同的频带中，寻找对分类更有利的信号频带分量，然后再提取它的FFT系数作为特征（WPD+FFT），这种混合特征提取方法对17种复杂的手势达到87．36％的识别率。为了进一步提高识别率，本文还提出将短时能量特征和WPD+FFT进行特征融合。最后初步研究了基于加速传感器进行空中三维手写数字的识别，这是一种新的输入方法，为以后的人机交互界面的发展探索出一条新的途径。　　 5．基于小波模极大值原理和加速度传感器设计出一种灵敏度高、准确性高的电子计步器。实验结果表明：基于小波模极大值的方法比传统基于阈值的方法具有更好的精度和抗噪性能。并在此基础上，通过提取与走路速度有关的6个参数，采用BP神经网络来估算人走路时的平均速度。