支持向量机辅助下的智能手机行人运动模式识别

doi:10.13474/j.cnki.11-2246.2018.0033

测绘通报 ›› 2018, Vol. 0 ›› Issue (2): 1-5.doi: 10.13474/j.cnki.11-2246.2018.0033

• 室内定位与导航技术 • 下一篇

支持向量机辅助下的智能手机行人运动模式识别

郭际明^1,2, 王威^1,2, 张帅^1,2

1. 武汉大学测绘学院, 湖北武汉 430079;
2. 精密工程与工业测量国家测绘地理信息局重点实验室, 湖北武汉 430079

收稿日期:2017-11-17 出版日期:2018-02-25 发布日期:2018-03-06
通讯作者: 王威。E-mail:wanngwei@whu.edu.cn E-mail:wanngwei@whu.edu.cn
作者简介:郭际明(1965-),男,博士,教授,主要从事高精度GNSS数据处理研究。E-mail:jmguo@sgg.whu.edu.cn
基金资助:
国家自然科学基金面上项目（41474004）；武汉大学精密工程与工业测量国家测绘地理信息局重点实验室基金（PF2017-7）

Pedestrian Motion Modes Recognition of Smart Phone Based on Support Vector Machine

GUO Jiming^1,2, WANG Wei^1,2, ZHANG Shuai^1,2

1. School of Geodsy and Geomatics, Wuhan University, Wuhan 430079, China;
2. Key Laboratory of Precise Engineering and Industry Surveying, NASMG, Wuhan 430079, China

Received:2017-11-17 Online:2018-02-25 Published:2018-03-06

摘要/Abstract

摘要：

利用智能手机的内置多集成传感器作为数据采集工具，结合支持向量机（SVM）进行行人运动模式识别是智能识别领域中一个重要方法。本文针对行人静止、行走、上/下楼梯、上/下厢梯、上/下扶梯这几种常见的室内运动模式，选取有效特征，利用线性核函数SVM建立分类模型对测试数据进行了识别。试验结果表明：从所采集的行人运动模式的数据中提取13个特征，可在3 s的数据滑动窗口0.5 s数据采样间隔下，得到96.4%的识别正确率。

关键词: 运动模式, 支持向量机, 分类, 识别

Abstract:

It is an important method in the field of intelligent recognition to use the built-in multiple integration sensors of smart phones as data acquisition tools,and to identify pedestrian motion modes combined with support vector machine(SVM). In this paper,walking,up/down stairs,up/down elevator,up/down escalator are selected as the common indoor motion modes.After effective features are selected,the linear kernel function SVM is used to establish the classification model to recognize the test data.The results show that 13 features are extracted from the data collected from pedestrian motion modes,and 96.4% recognition accuracy can be obtained at the 3 s data sliding window with 0.5 s data sampling interval.

Key words: motion modes, support vector machine, classification, recognition

中图分类号:

P228

郭际明, 王威, 张帅. 支持向量机辅助下的智能手机行人运动模式识别[J]. 测绘通报, 2018, 0(2): 1-5.

GUO Jiming, WANG Wei, ZHANG Shuai. Pedestrian Motion Modes Recognition of Smart Phone Based on Support Vector Machine[J]. 测绘通报, 2018, 0(2): 1-5.

参考文献

[1] CHEN L,HOEY J,NUGENT C D,et al.Sensor-based Activity Recognition[J].IEEE Transactions on Systems,Man,and Cybernetics(Part C:Applications and Review),2012,42(6):790-808.
[2] XU X,TANG J,ZHANG X,et al.Exploring Techniques for Vision Based Human Activity Recognition:Methods,Systems,and Evaluation[J].Sensors,2013,13(2):1635-1650.
[3] BUSSMANN J B J,MARTENS W L J,TULEN J H M,et al.Measuring Daily Behavior Using Ambulatory Accelerome-try:The Activity Monitor[J].Behavior Research Methods,Instruments,& Computers,2001,33(3):349-356.
[4] ELHOUSHI M,GEORGY J,NOURELDIN A,et al.A Survey on Approaches of Motion Mode Recognition Using Sensors[J].IEEE Transactions on Intelligent Transporta-tion Systems,2017,18(7):1662-1686.
[5] 牛欢,廉保旺.一种基于改进UKF滤波的GPS+PDR组合定位方法[J].测绘通报,2017(7):5-9.
[6] LI T,GEORGY J.Using Indoor Maps to Enhance Real-time Unconstrained Portable Navigation[C]//Proceedings of the 27th International Technical Meeting of the Satellite Division of the Institute of Navigation(ION GNSS+).Florida:[s.n.],2014:3174-3183.
[7] ELHOUSHI M,GEORGY J,NOURELDIN A,et al.Motion Mode Recognition for Indoor Pedestrian Navigation Using Portable Devices[J].IEEE Transactions on Instrumentation and Measurement,2016,65(1):208-221.
[8] UDDIN M T,BILLAH M M,HOSSAIN M F.Random Forests Based Recognition of Human Activities and Postural Transitions on Smartphone[C]//The 5th International Conference on Informatics,Electronics and Vision(ICIEV).Dhaka:IEEE,2016:150-255.
[9] KWAPISZ J R,WEISS G M,MOORE S A.Activity Recognition Using Cell Phone Accelerometers[J].ACM SIGKDD Explorations Newslett,2011,12(2):74-82.
[10] GOUMAS S K,ZERVAKIS M E,STAVRAKAKIS G S.Classification of Washing Machines Vibration Signals Using Discrete Wavelet Analysis for Feature Extraction[J].IEEE Transactions on Instrumentation and Measurement,2002,51(3):497-508.
[11] CHENG W,JHAN D M.Triaxial Accelerometer-based Fall Detection Method Using a Self-constructing Cascade-AdaBoost-SVM Classifier[J].IEEE Journal of Biomedical and Health Information,2013,17(2):411-419.
[12] TRAN D N,PHAN D D.Human Activities Recognition in Android Smartphone Using Support Vector Machine[C]//20167th International Conference on Intelligent Systems,Modelling and Aimulation.Bangkok:IEEE,2016:64-68.
[13] 张毅,任同辉,罗元.基于多传感器数据融合的人体运动模式识别研究[J].计算机测量与控制,2016,24(1):303-307.
[14] 路永乐,张欣,龚爽,等.基于MEMS惯性传感器的人体多运动模式识别[J].中国惯性技术学报,2016,24(5):589-594.
[15] 常甜甜.支持向量机学习算法若干问题的研究[D].西安:西安电子科技大学,2010.
[16] ELHOUSHI M,GEORGY J,KORENBERG M,et al.Robust Motion Mode Recognition for Portable Navigation Independent on Device Usage[C]//Position Location and Navigation Symposium-PLANS 2014.Monterey:IEEE,2014:158-163.
[17] 胡局新,张功杰.基于K折交叉检验的选择性集成分类算法[J].科技通报,2013,29(12):115-117.
[18] ALTUN K,BARSHAN B.Human Activity Recognition Using Inertial/Magnetic Sensor Units[C]//International Conference on Human Behavior Understanding.[S.l.]:ACM,2010:38-51.

支持向量机辅助下的智能手机行人运动模式识别

Pedestrian Motion Modes Recognition of Smart Phone Based on Support Vector Machine

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨俊, 刘灵辉. 加权全极化SAR图像分类下的功能区土地时空变化特征提取[J]. 测绘通报, 2022, 0(7): 138-142,153.
[2]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[3]	张晋赫, 秦育罗, 张在岩, 宋伟东, 朱洪波. 复杂场景下农村道路裂缝分割方法[J]. 测绘通报, 2022, 0(5): 74-78,88.
[4]	谭玉慧, 刘欣怡, 张永军. 超体素约束下的主动再学习LiDAR点云分类框架[J]. 测绘通报, 2022, 0(5): 79-83,100.
[5]	师芸, 石龙龙, 牛敏杰, 赵侃. 基于单阶段实例分割网络的黄土滑坡多任务自动识别[J]. 测绘通报, 2022, 0(4): 26-31.
[6]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[7]	丁永辉, 张勤, 杨成生, 王猛, 丁辉. 基于高分遥感的金沙江流域滑坡识别——以巴塘县王大龙村为例[J]. 测绘通报, 2022, 0(4): 51-55.
[8]	黄鹤, 孟维明. 基于视觉的大半径圆曲线车道线识别[J]. 测绘通报, 2022, 0(4): 134-137.
[9]	张译, 陈品祥, 刘宇, 余永欣, 武润泽, 许天豪, 杨旭东, 龚芸. 北京市生态保护红线内地表覆盖变化聚集性研究[J]. 测绘通报, 2022, 0(3): 13-17,22.
[10]	王刚, 丁华祥. Sentinel-2A数据支持下的雷州半岛植被类型识别[J]. 测绘通报, 2022, 0(3): 76-82.
[11]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[12]	童矿, 宋洋, 孔祥芬. 机场净空区建筑物的识别与监测[J]. 测绘通报, 2022, 0(3): 127-131.
[13]	贾煜, 汪泓, 蔡宏, 张磊. 结合地形因子与分层策略的喀斯特地区无人机影像分类[J]. 测绘通报, 2022, 0(2): 121-127.
[14]	范媛, 范宏, 吴建国, 林峻, 陈吉军, 巴日斯, 郑江华. 无人机影像识别白喉乌头的相对高程阈值法适用性分析[J]. 测绘通报, 2022, 0(2): 131-135.
[15]	张自强, 刘涛, 杜萍, 锁旭宏, 杨国林. 图残差神经网络支持下的建筑物群组模式分类[J]. 测绘通报, 2022, 0(1): 1-7.