基于MapReduce和移動智能終端的人體行為識別系統(tǒng)研究與實(shí)現(xiàn).pdf

1、近些年來，基于傳感器的人體行為識別技術(shù)已經(jīng)在運(yùn)動監(jiān)測、虛擬現(xiàn)實(shí)等多個(gè)領(lǐng)域得到廣泛應(yīng)用。然而，隨著智能手機(jī)設(shè)備的快速普及，其需要處理的數(shù)據(jù)量也在急劇上升。基于傳統(tǒng)的單機(jī)模式去處理數(shù)據(jù)、完成分類模型的構(gòu)建和未知行為的分類，已經(jīng)不能滿足當(dāng)前發(fā)展的需要。
　　本文在現(xiàn)有研究的基礎(chǔ)之上，對當(dāng)前人體行為識別方案和分類算法進(jìn)行分析，提出了基于MapReduce和移動智能終端設(shè)備的人體行為識別方案。同時(shí)本文選取Flume、Kafka和Storm框

2、架構(gòu)建實(shí)時(shí)行為流計(jì)算，實(shí)現(xiàn)對多人坐、站立、走路、跑步、上樓梯和下樓梯六種行為的實(shí)時(shí)識別。本文的研究核心主要有以下兩點(diǎn)：離線數(shù)據(jù)建模及多人實(shí)時(shí)行為識別。
　　離線數(shù)據(jù)建模主要負(fù)責(zé)利用MapReduce框架實(shí)現(xiàn)決策樹算法的并行化，并利用訓(xùn)練集構(gòu)建行為識別模型。系統(tǒng)首先通過智能手機(jī)內(nèi)置的加速度傳感器獲取用戶原始行為數(shù)據(jù)，并通過加窗操作對連續(xù)數(shù)據(jù)進(jìn)行切分。同時(shí)為獲得更接近人體真實(shí)行為數(shù)據(jù)，系統(tǒng)選取低通濾波算法去除重力加速度分量，然后利用移

3、動均值濾波算法去除數(shù)據(jù)中的噪聲干擾。完成預(yù)處理操作后，本文根據(jù)六種行為數(shù)據(jù)的特點(diǎn)，生成一個(gè)22維的特征向量以描述用戶單個(gè)行為片段。最后基于MapReduce框架改進(jìn)傳統(tǒng)的C4.5決策樹算法，利用其提供的map函數(shù)和reduce函數(shù)，并行的計(jì)算屬性信息增益率，選擇最佳分裂屬性，完成決策樹的構(gòu)建。經(jīng)測試，該分類模型對上述六種行為的整體識別準(zhǔn)確率達(dá)到了86.63％，且算法性能得到了很大的提升，能很好的完成對大批量數(shù)據(jù)的處理。
　　多人實(shí)

4、時(shí)行為識別主要負(fù)責(zé)數(shù)據(jù)的傳輸和收集，及 topology任務(wù)的構(gòu)建。首先，客戶端通過http協(xié)議實(shí)時(shí)傳輸待處理和識別的數(shù)據(jù)，后端則使用搭建的Flume集群和Kafka集群完成數(shù)據(jù)的收集。然后利用kafka集群對外提供實(shí)時(shí)數(shù)據(jù)流。最后構(gòu)建Topology任務(wù)，利用Spout節(jié)點(diǎn)讀取消息隊(duì)列中的數(shù)據(jù)，并利用bolt節(jié)點(diǎn)和構(gòu)建好的決策樹模型對行為特征向量數(shù)據(jù)進(jìn)行分類、匯總和存儲操作。經(jīng)測試，該實(shí)時(shí)計(jì)算系統(tǒng)具備較高的吞吐量和處理性能，能夠高效的