English
Human Activity Recognition Based on the Combined SVM&HMM
文件大小：
920k
资源说明：在这篇题为《基于结合SVM&HMM的人类活动识别》的研究论文中，作者们提出了一个将支持向量机(SVM)与隐马尔可夫模型(HMM)结合的方法来识别和分类日常环境中的不同人类活动。文章由来自厦门大学认知科学系和福建脑样智能系统省重点实验室的Haitao Wu、Wei Pan、Xingyu Xiong和Suxia Xu撰写。这篇文章的研究意义重大，尤其在个人辅助机器人、智能家居和医疗健康监控系统等应用领域中，能够有效识别和理解人类活动显得尤为重要。
文章介绍了人类活动识别的背景和研究意义。随着社会的发展，基于视频的人类活动理解的需求日益增长。这对于智能监控、家庭安全、智能机器人、运动员支持训练系统等领域而言，变得越来越重要。尤其是随着社会老龄化加剧，老年人的健康状况越来越受到社会的关注。利用活动识别技术来创建一个高度智能的医疗监控系统对于某些老年人的活动非常重要。
接着，文章详细描述了所提出的人类活动识别方法。该方法首先使用RGB-D传感器（如Microsoft Kinect）作为输入传感器，提取了一组融合特征。这些特征包括运动特征、身体结构特征以及关节极坐标特征。RGB-D传感器能够同时获取场景的彩色信息和深度信息，这对于准确地识别人类活动至关重要。深度信息特别有助于解决因遮挡或视角变化造成的识别难题。
文章接着阐述了结合SVM&HMM模型的基本原理。SVM是一种强大的分类器，擅长于利用特征空间的边界来区分不同样本，但当处理连续活动时可能存在局限性。而HMM是一种概率模型，擅长于处理时间序列数据，适合于连续活动的建模。该研究提出的结合SVM&HMM模型，既利用了SVM能够反映样本间差异的特性，又利用了HMM适合处理连续活动的特点。这种结合模型能够全面发挥SVM和HMM各自的优势，克服了单独使用SVM模型或传统HMM模型在人类活动识别中的准确率、鲁棒性和计算效率上的缺点。
文章还介绍了实验部分，实验对象包括四种不同环境（厨房、客厅、办公室等）中四个人的十二种不同活动。该算法即使在训练集中未见过的人员也能表现出良好的性能。实验结果显示，作者们提出的算法具有较好的鲁棒性和区分能力。
本研究提出的基于结合SVM&HMM的人类活动识别方法，在多种实际应用场景中表现出了高效和可靠的识别能力。未来的研究可以将该方法进一步应用于移动设备或嵌入式系统，以实现更加便携和实时的人类活动监测。同时，将深度学习算法与SVM&HMM结合也可能是一个值得关注的研究方向，以进一步提高活动识别的准确性。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
