人体动作识别研究是进行人体行为理解和友好人机交互的重要前提和关键组成部分。近年来,随着信息化和智能化的发展,如何稳定准确地识别出人体动作并理解人的行为意图,让机器人、智能化设备等更加人性化地为人服务成为了众多学者研究的热点。随着MEMS技术的迅速发展,穿戴式传感器在人体动作捕捉方面渐渐显出优势。穿戴式传感器不会受光照、背景等外界环境的干扰,又克服了摄像机监测区域受限的缺点,因此,越来越多的研究者用它进行动作识别和行为理解。针对人体动作识别问题,本文设计了一种穿戴式传感器模块—姿态航向参考系统(Attitude and Heading Reference System,AHRS),它主要由CPU、陀螺仪、加速度计和磁力计组成。利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法进行多传感器数据融合,解算出稳定精确的姿态角度、角速度和加速度。然后基于AHRS模块搭建了人体动作捕捉平台,为动作识别提供数据基础。由于本文所涉及的手势动作是人为定义的特殊动作,模板相对固定,且动作种类较少,适合利用动态时间规整(Dynamic Time Warping,DTW)算法进行动作识别。提出了一种结合端点检测(Endpoint Detection,ED)的动态时间规整算法,对提取的手部动作特征(三轴姿态角度和运动加速度)进行模板匹配和分类。并对DTW算法分别在参考模板建模、失真度计算和最优路径选取等三方面提出了改进策略,提高了系统的实时性和准确性。人体基本动作识别是进行人体行为理解的基础。本文所述的人体基本动作是指构成人体日常运动的基本单元,例如走、坐下、蹲下和弯腰等。针对每—个基本动作建立隐马尔科夫模型(Hidden Markov Model,HMM),将传感器捕捉的运动特征作为观测序列,并计算产生该观测序列的概率,识别出该基本动作的类别。由于这些基本动作存在着上下文的关联关系,根据上下文关系建立分层隐马尔科夫模型(Hierarchical Hidden Markov Model,HHMM),缩小了动作的识别范围,既提高了动作识别率,又降低了计算成本。同时,本文还提出了一种前后向激活算法对马尔科夫模型进行参数估计,改善了模型的收敛速度。本文所提出的人体复杂动作是指人在智能空间环境下的一些日常行为,例如喝水、打电话、扫地等。针对人体复杂动作的运动关节多、自由度大的特点,充分考虑各个模块之间的耦合性,提出了一种耦合隐马尔科夫模型(Coupled Hidden Markov Model,CHMM)算法完成人体复杂动作识别。并根据PDR定位原理,利用躯干部位的AHRS模块对人进行定位,融合智能空间中分布式视觉定位结果获得人的精确位置,实现动作识别和位置信息相互补偿,既提高了动作识别效率,又改善了人机交互的舒适性。随着人口老龄化的加剧,关于预测老人摔倒的问题备受关注。本文利用固定在人体腰部的AHRS模块提供的姿态角度和三轴加速度数据作为人体摔倒检测系统的输入,提出了一种基于反向传播(Back Propagation,BP)神经网络的摔倒检测算法。该算法能够准确地区分人体日常行为和摔倒动作。通过对所设计的AHRS模块精度评估实验和动作识别实验,结果表明,所设计的硬件平台稳定可靠,所提出的ED-DTW算法、HHMM算法、CHMM算法和BP神经网络算法都有较高的动作识别率和较强的鲁棒性。