基于可穿戴传感器网络的人体行为识别技术研究

人体行为识别技术旨在感知人行为的外在表现并根据感知结果识别出其类别。作为一项使计算机能够以更主动、自然的方式为人提供服务的关键技术,人体行为识别技术拥有广阔的应用前景并受到了广泛的学术关注。在学术界,来自MIT、ETH Zurich、WSU、Intel与微软研究院等多家研究机构的许多学者都对人体行为识别相关问题展开了积极的探索。在工业界,行为识别技术被运用于移动健康看护、随身运动监测、体感游戏等多种应用中。人体行为识别技术涉及到行为感知和识别这两项核心技术。在行为感知方面,传统的方法多采用基于计算机视觉的行为感知技术。然而该方法由于隐私侵入性强、观察范围有限且容易受到光照条件、遮挡等多种因素的影响等原因,不能完全满足日常行为感知的需求。近年来随着传感器技术的发展,有学者提出使用可穿戴传感器网络来感知人体行为,收到了良好的效果。在行为识别方面,传统的工作多集中在单人顺序执行的简单行为的识别上,且很多工作仅能对人体行为进行离线的识别。而在现实生活中,人的行为具有复杂性,各类应用对于识别结果也往往有实时性的需求。针对传统方法的不足,本文关注如何基于高效的可穿戴传感器网络来实现针对复杂行为的、实时的人体行为识别问题。 针对这一问题,本文首先分析了行为感知和行为识别所涉及的具体研究问题,概括了行为识别系统的一般框架,对人体行为识别的研究现状进行了总结和分析。在此基础上,本文提出了三点基本思路：1)从行为模型角度人手,解决复杂人体行为识别问题；2)从系统和算法设计角度,解决实时人体行为识别问题；3)从可穿戴传感器网络设备选取角度入手,解决感知方法高效性问题。具体而言,本文取得的创新点如下： 第一,本文较早提出将Emerging Pattern这一模式匹配方法运用于行为识别领域,并针对单人包括顺序、交叉、并行在内的复杂行为识别问题,提出了-种新型的基于Emerging Pattern的行为模型。在基本行为模型基础上,本文提出了一种免训练的、基于行为长度累加和乐观得分估计的复杂行为模型获取方法,实现了针对复杂行为的统一的识别算法框架。本文进一步考察了构成行为的基本动作的序列特性,在Emerging Pattern模型的基础上,创新提出了Emerging Sequential Pattern模式并将其运用到单人行为识别问题中。我们建设了一套基于主动式可穿戴传感器网络的行为感知平台并在此基础上实现了原型系统。利用在智能家居环境中收集到的真实行为数据,对该原型系统进行了验证。实验结果表明,基于Emerging Pattern和Emerging Sequential Pattern的方法分别达到了88.11%和91.89%的识别精度,明显优于传统方法。 第二,本文较早在可穿戴传感器网络领域展开了对多人行为识别问题的研究,探讨了利用图模型和模式匹配方法对多人互动式行为进行建模和识别的方法。我们将Coupled Hidden Markov Model和Conditional Random Field模型引入到基于可穿戴传感器网络的行为识别领域,并提出了在单人Emerging Pattern(?)为模型中加入多人行为间互动建模的多人行为模型。我们在主动式可穿戴传感器平台的基础上实现了多人互动式行为识别原型系统,并利用采集得到的多人包括独立、合作、冲突行为在内的数据集对该原型系统进行了实验验证。实验结果显示,基于Coupled Hidden Markov Model、Conditional Random Field和Emerging Pattern的识别方法分别达到了85.46%、86.54%和89.72%的识别精度,验证了所提出方法的有效性。 第三,在行为识别的实时性问题上,本文对软实时和硬实时这两种不同的实时性要求进行了分别的探讨。针对软实时的行为识别问题,提出了新型的使用传感器片上轻量级姿态识别结合Emerging Pattern的层次化在线行为识别算法。在单人行为数据集上的实验结果表明,通过片上姿态识别技术,我们使通信开销下降了60.2%。我们的层次化识别算法能在平均延迟为5.7秒的情况下达到82.87%的识别精度。针对硬实时行为识别问题,本文首先明确提出了在线性和连续性这两条实时性标准,并提出了使用固定滑动窗口的数据分割技术来实现对数据收集时间的严格控制并保证在线性,配合基于Support Vector Machine的快速识别算法来保证连续性的方法。我们在一个被动式行为感知平台的基础上实现了原型系统并采集了实验数据。实验结果表明,该系统即使在识别延迟低至1秒的情况下,也能够保证识别结果的实时性。在识别延迟为5秒时,系统的识别精度达到了93.6%。 最后,针对行为感知的高效性问题,本文提出了一种新型的基于被动式可穿戴超高频RFID技术的行为感知方法,并提出了高效的数据补全和特征提取算法来应对RFID技术的固有挑战。结合硬实时的行为识别需求,实现了基于被动式可穿戴传感器网络的人体行为识别原型系统。在真实行为数据集上的实验结果表明,该原型系统的识别精度达到了93.6%,验证了该平台用于人体行为识别的可行性和高效性。