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
目录
第一章 绪 论 2
第一节 研究背景及意义 2
第二节 国内外研究现状 3
第三节 论文结构 4
第四节 本文主要任务与成果 4
第二章 SVM 算法研究 5
第一节 SVM 方法介绍 5
第三节 本文 SVM 算法的实现 10
第四节 粒子群优化 SVM 参数 10
第五节 本章小结 12
第三章 动作采集模块设计与实现 12
第一节 动作采集模块概述 13
第二节 采集动作特征说明 14
第三节 动作采集 APP 设计与实现 15
第四章 动作识别模块设计与实现 17
第一节 动作识别模块概述 17
第二节 数据预处理 18
第三节 动作预测模块 19
第四节 动作学习模块 21
第五章 智能家居模拟模块 21
第六章 结 论 23
第一节 其他分类算法效果比较 23
第二节 总结与展望 23
参考文献 25