基于惯性传感器的运动识别系统_0533

摘要

基于惯性传感器的运动识别系统是模式识别的一个新兴领域，克服了传统基于视频的动作识别的诸多缺点和限制，具有更高的可操作性和实用性。所以本文首先着重介绍了如何利用惯性传感器进行动作的分类，及其原理。

在对运动进行识别的算法中，比较常用的算法有神经网络、支持向量机、隐马尔科夫模型等，这些算法不是很直观，而且相对来说比较复杂，因此本文采用的是k-means均值聚类算法，本文的工作流程如下：首先通过握在被测实验对象手中的惯性传感器采集动作信息，然后通过无线传输模块将数据传输到PC 机，进而对数据进行动作自动截取和动作特征提取，最后利用选定的识别算法对动作进行识别。在本文中，用于实现动作识别的几种动作为向上、向下、向左、向右和画圈，随后对该动作进行动作捕捉，并采用快速傅里叶变换（Fast Fourier Transform, FFT）进行特征提取，最后采用K-means均值聚类进行识别，识别率为69%。

本文的重点在于数据的特征提取，及惯性传感器的运动识别，分别用到了快速傅里叶变换，及K-mean均值聚类两种算法。

关键词：惯性传感器，K-means均值聚类, FFT

1

ABSTRACT

Inertial sensor based motion recognition system is an emerging field. It overcomes the disadvantage of traditional video based gesture recognition, and has higher maneuverability and practicability. So this article introduces how to classify motions with inertial sensor, and its working principle.

The most common algorithm for motion recognition is Neural Networks (NN), support vector machine (SVM), hidden Markov models (HMM), etc.. These algorithms are not so intuitive and relatively complex in algorithm. So this paper adopts k-means clustering for inertial sensor based motion recognition. The workflow is as flows: first of all, the inertial sensor fixed in subjects’ hand is used to collect motion information; and then, the data is transmitted to PC by wireless transmission module, followed by data preprocessing, feature extraction and selection. Finally, the motion is recognized by k-means clustering，This paper exploits the inertial sensors for the recognition of the following motions: up, down, left, right and the circle. The algorithm used for feature selection is Fast Fourier Transform (FFT), and the algorithm for recognition is K-means clustering.

So this article is focused on feature extraction, and motion recognition. The corresponding algorithms are fast Fourier transform, and K-means clustering algorithm.

KEY WORDS：Inertial sensors, K-means clustering, FFT

2

目录

第一章前言 (5)

1.1研究的背景和意义 (5)

1.2基于惯性传感器的运动识别国内外现状 (6)

1.3传感器的分类 (8)

1.4本文的组织结构 (11)

第二章数据采集和特征提取算法 (13)

2.1 惯性传感器的结构 (13)

2.2 数据采集 (14)

2.3 数据的特征提取 (14)

2.4 离散傅里叶变换(DFT) (18)

2.4.1 快速傅里叶变换(FFT) (19)

2.4.2快速傅里叶变换FFT 的应用 (20)

2.4.3 算法基本原理 (20)

第三章基于惯性传感器的运动识别 (24)

3.1 运动识别主要算法 (24)

3.2K-means算法介绍 (25)

3.3K－means 文本聚类算法优化 (26)

3.4 初始聚类中心的选择 (27)

3.5K一均值聚类算法的算法流程 (27)

3.6 SOM算法介绍 (28)

3.7 实验内容 (30)

3

3.8 实验结果 (34)

第四章结论 (38)

参考文献 (39)

4

第一章前言

1.1研究的背景和意义

由于加速度现象在生活中无处不在，例如，刷牙、洗脸、走路、跑步等人体的日常活动都会产生加速度。因此，在众多的传感器中，利用加速度传感器测量的加速度信号来识别人的运动状态（或活动）受到世界各地研究人员的广泛重视。

所谓“加速度信号”是指人们在日常生活中由于身体运动产生的人体动作信号。通过对这种运动信号进行有效的处理，就可以判断产生该信号的是哪一种动作，从而判断做出这种动作的人的意图。

基于加速度传感器的人体运动模式识别除了应用于智能人机交互外，还可应用于智能监控、健康监控、基于手持设备的上下文感知及人体运动能量消耗评估等领域，有着非常广阔的应用前景。

伴随着微型机电系统(MEMS)技术的不断发展与成熟，价格低廉、体积小、灵敏度高的MEMS 加速度传感器开始广泛地应用于手机、笔记本、游戏机等嵌入式电子消费产品。2007 年苹果公司的iPhone 手机、任天堂的Wii 游戏机火爆销售一度轰动业界，这其中，加速度传感器功不可没，它所带来的全新使用体验以及独特的人机交互方式不仅造就了产品本身的巨大成功，更是给日趋同质化的电子整机市场注入了新鲜血液。同时，这种加速度传感器可以精确的获取手持嵌入式设备用户的运动加速度信号，为基于加速度传感器的人体运动模式识别提供了数据方便获取的保障。

随着人们对惯性传感器研究的不断深入，基于惯性传感器的人体动作分析已然成为新的研究领域，受到国内外研究者的广泛关注，并进行了卓有成效的研究。基于惯性传感器的人体运动分析与识别在以下方面有着重要意义：

（1）游戏动画与电影制作

5