文献综述（或调研报告）：
1.意图识别部分
1.1背景意义
识别能力是人类的一项基本能力，它让我们能够分辨物体之间的不同从而进行区别分类，关于模式识别的技术的研究，就是想要让机器也具备相似的能力，其中对人体动作的识别就属于模式识别的一种。人体行为模式识别一般是使用单个或多个传感器测量人体运动时产生的数据，根据预设的分类结果建立模型，对测量的数据进行预处理并提取动作的主要特征，最后设计分类器进行识别分类。
基于惯性数据的动作识别是模式识别领域一种新兴的研究领域，其过程可以简化为以下几个步骤：首先，惯性传感器获得运动时产生的加速度和角速度数据，并通过无线传输的方式将测量数据传输至移动设备端，其次，移动设备端对数据进行处理并提取动作的特征值，最后，通过模式识别算法根据特征值对动作进行分类识别。
惯性运动信息包括加速度和角速度信息，其在日常生活中无处不在，我们的行为动作都会产生特定的惯性信息，因此，通过对加速度信息进行有效的处理，就能从中提取出相应的动作信息，从而推断出动作实施者的意图。
1.2国内外研究现状
国外基于惯性传感器的动作识别的相关研究起步较早，发展水平相对较高。上世纪50 年代 JB Saunders 等人便开始使用加速度传感器进行简单的动作识别，上世纪 90 年代，处于业界领先地位的 IBM 研发了一种能够捕捉运动状态的设备，通过后期的改进，该设备有了更广泛的应用。而随着 MEMS 技术的发展，惯性传感器做到了小型化和较高的精度，大大推动了相关研究进展。2002 年 Lee 、Mase和 2009 年 Li等将传感器安放在实验者腰部和大腿位置，对从加速计和陀螺仪数据中提取的运动数据使用阈值限定方式获取特征值并实现对人体姿态的识别，如坐、站立、躺下等。Ling 和 Intille 等使用决策树算法动作识别的分类器设计。Ermes M 和 Zhu 等人将人工神经网络（ANN）技术应用于基于惯性传感器的人体动作识别技术，采用多层隐层感知器作为神经网络分类器，利用反向传播梯度下降算法学习神经网络中节点的权值。K 近邻算法（k-NN）在 1967 年由 Cover 和 Hart 所提出Ghasemzadeh 和 Gravina 将 k-NN 应用于动作分类中，通过将传感器数据中提取的特征值和训练样本的特征值做逼近进行分类识别。Bao 和 Lo 使用朴素贝叶斯算法进行基于加速度数据的人体活动检测，朴素贝叶斯分类器根据特征的先验概率分布使用最大似然准则来完成动作分类识别。2008 年 Krishnan 等人使用AdaBoost 算法的决策树桩方式实现实时人体动作识别系统。Wang 等人将基于手势模板的判别模式分析用于实时人体动作识别中。基于模板匹配的动态时间规整（DTW）检测身体动作和手势。然后利用显现模式对这些手势进行分类。
国内利用惯性传感器进行人体动作识别的研究起步较晚，但也获得了比较大的成就。2008年陈雷等人对加速度信号提取其几何特征，并采用分层识别算法对站立、行走、上楼、下楼和跑步等动作进行识别，识别率达到 80%以上。刘蓉使用三轴加速度数据和离散隐马尔可夫模型对手势动作进行识别，通过对传感器数据的预处理，减少了中手势信号的相似性和不稳定性，然而基于隐马尔可夫模型算法计算量大，要求存储空间较高。徐军通过提取 6 种手势动作特征量并根据特征的阈值采用决策树分类器对手势动作进行分类识别，该方法虽然计算量较低且无需训练数据，但是所识别手指动作较为固定，且不同使用者动作幅度不同，导致识别效果相差较大。李歌使用基于 BP 神经网络的手势识别算法，虽然实现了基于人工神经网络的手势识别，但是他对特征的提取较为粗糙，识别率较低，而且对实验者手势约束明显，限制了真实应用场景。
1.3主要内容
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
