摘要:传统人体行为识别基于人工设计特征方法涉及的环节多，具有时间开销大，算法难以整体调优的缺点。以深度视频为研究对象，构建了3维卷积深度神经网络自动学习人体行为的时空特征，使用Softmax分类器进行人体行为的分类识别。实验结果表明，提出的方法能够有效提取人体行为的潜在特征，不但在MSR-Action3D数据集上能够获得与当前最好方法一致的识别效果，在UTKinect-Action3D数据集也能够获得与基准项目相当的识别效果。本方法的优势是不需要人工提取特征，特征提取和分类识别构成一个端到端的完整闭环系统，方法更加简单。同时，研究方法也验证了深度卷积神经网络模型具有良好的泛化性能，使用MSR-Action3D数据集训练的模型直接应用于UTKinect-Action3D数据集上行为的分类识别，同样获得了良好的识别效果。

摘要:利用智能手机加速度传感器信号,提出一种改进的动作识别方法以降低传统动作识别方法的复杂程度,提高识别率。在特征提取时用盲选法,即用PCA(principal component analysis)进行特征值的降维和去除多维间的干扰,而所选特征没有对应的物理意义;并在分类识别中将遗传算法应用到SVM(support vector machine)分类器参数优化中。通过实验表明,该方法能够对日常的走路、站立、跑及上下楼等动作进行准确的识别。