基于机器学习SVM KNN的动作识别系统 毕业设计 附完整代码

# 基于SVM分类器的动作识别系统 # 摘 要 动作识别领域近年来随着动作采集技术的成熟而高速发展，因其无需借助任何 计算机系统的传统输入设备就能够准确识别出用户意图，对三维动作数据进行数据 处理与挖掘的技术，现已广泛运用到了计算机动画、游戏、新型人机交互和智能家居控制等领域。 支持向量机（Support Vector Machine, SVM）凭借其在小训练样本、非线性和高 维模式识别中的优势而广受关注。本文对经典 SVM 二分类算法进行研究，在此基 础上将 SVM 算法推广到了多分类中。此外通过获取智能手机中的加速度传感器、 陀螺仪和方位传感器的数据，搭建了一个动作数据采集、传输和存储平台，支持多 用户传输存储其动作数据。采用 SVM 多分类算法训练预处理后的动作数据，并采 用粒子群优化算法(PSO)对 SVM 参数进行优化，建立动作分类模型，实验证明该模 型能够 97.30%的准确率识别出用户的动作意图。 为了验证基于 SVM 分类器的动作识别系统的运用场景，本文将其运用到了智 能家居家电控制领域，通过软件搭建了一个智能家居模拟模块，可以模拟实体智能 家居的一系列状态信息（如打开电灯）。通过对用户动作数据的分类学习，可以达到 通过动作信息控制家电开关等状态动作的功能目的，为基于 SVM 分类器的动作识 别系统找到了一个应用场景。 **[关键词]** 动作识别 SVM 多分类 粒子群优化 智能家居 # ABSTRACT With the motion capture technology matures and promotion, fast and efficient access to a large number of real-time and three-dimensional motion data has become a reality. Because has the ability to accurately identify the user's intention without the help of any conventional computer system input devices, the action of the three-dimensional data processing technology has been widely applied to computer animation, games, new humancomputer interaction and intelligent home control field. Support vector machine (SVM) has its unique advantages in solving the small sample, nonlinear and high dimensional pattern recognition. This paper through to studying classical SVM binary classification algorithm, on the basis promoted the binary classification to multi-classification field. In addition, by obtaining data on the smart phone accelerometer, gyroscope and compass sensor, built a movement of data collection, transmission and storage platform, to support multi-user transmission data and stored its action data. After data normalization, using SVM multi-classification algorithm, and using PSO algorithm for SVM parameters optimization, built their action data model. The experiment proved that the action model can predict the user's action intentions with 97.30% accuracy. In order to verify the application scenarios of motion recognition system based on SVM classifier, this paper applied it to the fields of smart home control module, through built the smart home simulation module that can simulate a series of status information of appliances (such as turn on lights) by software. Based on user’s motion data learning, SVM classification model can control the appliance’s status. This find an application scenario based SVM classifier action recognition system. **[Key words]** motion recognition SVM multi-classification PSO smart home # 第一章 绪 论 ## 第一节 研究背景及意义 SVM 是基于统计学习的学习算法。有限样本空间即可得到较高准确度的模型， 能够对训练样本进行非线性分类，且在高维空间中具有较低的算法复杂度的特性， 使得 SVM 算法被广泛应用。 SVM 算法目前已经在生物信息学、语音识别、人 脸检测和数据挖掘等许多领域 取得了优秀的成果。SVM 既优化模型复杂度又优化经验风险，且随着样本空间维数 的增高不会增加计算复杂度，因此它经常被应用到高维模式中。 人体动作包括四肢、头或面部等的姿态或运动过程，这些动作具有丰富的含义， 是一种人与环境的信息传递方式。计算机接收动作信号的输入，对动作信号进行检 测分析，得出动作的特定意图的过程，称为计算机动作识别。其已经在教育、体育、 游戏等领域得到了广泛的运用。动作识别领域主要通过数学方法来分析手势信号， 其目的是让计算机理解人类的动作语言 围绕人体动作所展开的工作可回溯至上世纪 70 年代，心理学家通过实验结果 证明：人类视觉系统可以通过感知运动过程中的光点序列变化，从而推断出运动的 类型比如站立、奔跑等。实验也表示人体动作往往代表了特定的动作序列代表了特 定的用户意图。 随着传感器和计算机视觉技术的成熟和推广，动作识别领域渐渐发展成了两个 方向：基于视觉传感器，和基于可穿戴传感器的人体动作识别。前者主要通过外部 图像采集设备，如运动摄像头等，对人体的动作信息进行捕捉，通过动作关键帧的 提取和分析，得出用户的动作意图。后者主要通过安装传感器，对运动中的动作信 号（如加速度大小）进行收集，而后对数据进行数学分析，从而得出用户的具体意 图。近年来，随着人工智能的发展以及其在动作识别领域的成功运用，也为动作识 别的分析预测精确度带来了极大的提升。其中比较常见的是各种基于概率的统计识 别方法：决策树、K 临近、贝叶斯、SVM、神经网络和隐形马尔科夫（HMM）等。 本文通过对 SVM 算法的学习和研究，并将其应用在动作识别系统中，结合智 能家居的概念，模拟实现了基于 SVM 分类的动作结果对家电状态的控制，验证了 一种新型的智能家居控制方式的可行性，对 SVM 算法和动作识别系统的推广和应 用有重要的意义。 ## 第二节 国内外研究现状 SVM 方法被提出后，由于 SVM 算法能解决之前使用神经网络等算法无法解决 的问题，从而引起了国内外研究学者的广泛兴趣。在国内外学者的广泛研究下， SVM 算法理论在短短几年就涌现了大量的研究成果。1998 年 Weston et al.和 Vapnik 在 SVM在回归问题和多值分类扩展以及它的泛化性方面进行了研究；1999 年Anthony et al.等人在 SVM 硬领域的学习误差上给出了严格的理论界定；2000 年 Shawe-Tylor 和 Cristinanini 软领域 SVM 也给出了类似的误差界定；随着学者们对 SVM 理论研 究的深入，许多以 SVM 为基础的延伸算法得到了提出，如 1999 年 Smolaet al.提出 的 SVM 应用在分类和回归问题上；其他一些学者还扩展了 SVM 算法的概念，如 1997 年 Mangasarian 等人对通用 SVM 的概念进行了详细的阐述[1]。 SVM 最初被应用到了手写识别领域。当时美国邮政服务局为了自动识别手写的 邮政编码而引入了 SVM，实际证明，采用 SVM 方法识别效果优于其他神经网络算 法。SVM 的出现同时为字符识别领域开创了一个新的研究方向。 近些年，国内也涌现出了大批 SVM 研究成果。比如 LS_SVMlab、OSU_SVM3.00、 stprtool\SVM 和 SVM_Steve Gunn 四种 SVM 方法的 MATLAB 工具箱被海军工程 大学的陆振波博士研究开发了出来。刘向东等提出了一种在提高识别速度情况下保 持较高精度的快速 SVM 算法（FCSVM）。 基于机械和物理、基于图像和基于传感器的动作识别是该领域的三个主要研究 方向。基于机械和物理的动作识别的研究起源于 1983 年，该时期也产生了被认为是 动作识别领域最早的专利 Grimes 数据手套的专利。1987 年，通过光纤传感�