文献综述
一．研究背景及意义
在近些年，随着微电子技术和计算机系统的飞速发展，传感器和移动设备的性能有了很大的提升，其高计算能力、小尺寸和低成本的特性，使得它们能更方便地融入人们的日常生活。这就是普适计算的起源，其目的是从传感器获得的数据中提取知识。特别地，对人类动作轨迹的追踪和识别已经成为该领域的热门，尤其是在医疗、军事和安全领域的应用。例如，患有糖尿病、肥胖或心脏病的患者常常需要遵循特定的运动康复计划，因此，识别诸如步行、跑步或骑车等活动并向护理者反馈是非常有用的。同样，在军事领域，准确识别士兵的活动和位置对保障其安全是非常有益的。
最早的动作轨迹追踪和识别工作可以追溯到上个世纪90年代，但是仍然有很多问题鼓励着新技术的发展以提高其在实际应用中的精确度，主要包括(1)测量属性的选择，(2)便携低价的数据采集系统的构建，(3)特征的提取，(4)在实际情况下收集数据，(5)支持新用户而不需要重新训练系统，并且在移动设备中满足耗电和处理能力的限制。
二．研究现状
在动作轨迹追踪数据获取的过程中，极易受到噪声干扰。目前主要有两种动作轨迹追踪的方式，分别使用外部观测系统和微型机电系统(MEMS)传感器。摄像头通常作为外部传感器来实现物体的轨迹追踪和识别，这也是近些年的热门研究方向。由Microsoft开发的Kinect就是通过两个摄像头采集用户手势数据进行识别的。但是这种通过视频流进行动作轨迹追踪的方式存在一些问题，第一，这类技术依赖于外部设备，使用范围被限制在已经部署了图像采集设备并可以被这些设备观察到的区域。第二，由于图像所能表达的信息非常丰富，存在较为严重的隐私问题。第三，由于图像处理和视频处理技术对网络传输带宽和计算能力要求较高，在现有技术条件下很难达到实时处理。GPS也是一种常见的外部观测系统，常用来做室外定位，但是造价昂贵并且在室内的精度较低，很难进行细粒度的追踪。现有外部观测系统的这些限制促进了MEMS传感器在动作轨迹追踪中的使用，MEMS传感器一般通过加速度计算物体位移，通过磁力计和陀螺仪计算方向，实现物体的轨迹追踪。因为MEMS传感器的尺寸使得它可以内嵌在物体中，所以它实际上更加符合普适计算中“随时随地”的要求。可穿戴设备一般使用的就是MEMS传感器，本次毕业设计重点研究基于可穿戴设备的动作轨迹追踪和识别。
基于MEMS传感器的动作轨迹追踪和识别在一些领域已经得到了广泛的应用。最为常见的是智能手环(手表)，相关的产品有Apple Watch、Fitbit、Jawbone Fit、小米手环等等，这些产品已经具备了对用户全天运动状况(如步数、能量水平)进行监测的功能。随着传感器测量精度的不断提高，基于MEMS加速度传感器的任意空间动作检测和模式识别逐渐成为未来的科学研究方向。如任天堂成功推出的WII游戏手柄已成为了MEMS三轴加速度传感器与人机交互应用领域之间的完美结合。此外，基于加速度空间位移计算的多种人工智能设备,已成功研制并投入日常生产生活领域，给人们带来了多种智能与便利。
目前基于MEMS传感器的动作轨迹追踪和识别仍然存在很多缺陷。因为受到测量精度的限制，目前基于MEMS传感器的动作轨迹追踪系统误差在10%-20%，只能用于如运动距离估计、游戏控制等精度要求不高的领域，在室内导航等应用中效果较差。另外，在传统的行为识别中，为了提高识别精度，往往引入多个传感设备或者采用机器学习的方法。其中，多个可穿戴设备会给用户带来负担，造成用户体验的下降。而基于机器学习的方法实现行为识别，往往依赖于较大规模的训练和测试，在计算能力较弱的可穿戴设备上会造成时延，并且可扩展性较差。
三．基本步骤
基于可穿戴设备的动作轨迹追踪和识别主要可以分为以下几个步骤：(1)数据预处理。因为MEMS传感器的精度有限并且存在偏差，同时数据采集过程中存在噪声和抖动，所以需要对原始传感器数据进行校正、平滑、去噪处理。(2) 局部坐标系到地理坐标系的转换。由于我们从可穿戴设备获得的数据通常是以设备为参考系的，并且设备的参考系会因为用户做动作而改变，所以要描绘设备的轨迹需要将传感器数据转换到地理坐标系。(3)传感器数据的切割。大部分传感器输出的数据都是流类型，直接对整个数据流做统计分析会丢失大量细节信息从而无法做到合理的抽象，所以需要对传感器数据进行准确切割，提取有效的动作数据。(4)分离数据。由于智能手表设备获取的传感器数据包含了身体的运动和手臂的运动，需要根据综合数据推算身体运动和手臂运动并将两种运动分离，从而提取出用户的手部运动轨迹。(5)识别。将分离得到的数据通过模板匹配或机器学习进行分类识别。
