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
