人体动作识别技术通过收集人体动作信息来了解人类的行为,越来越成为一个研究热潮,并且在很多应用中发挥着非常重要的作用,如健康保养,智能家居和醉酒驾驶。传统的人体动作识别是将外置传感器固定在人体的某些部位,利用传感器收集的信息分析出人体动作,这种方法简单有效,却给大家的日常生活引来诸多麻烦。随后一种可穿戴传感器装备逐渐进入人们的视野,比如手环、智能头套等,可穿戴传感器比传统的外置传感器更加人性化,但是由于价格昂贵,推行却不是非常普遍。随着科技的快速发展,智能手机的销售量呈现逐年递增的趋势。由于智能手机销量逐年增加,内置传感器种类越来越丰富,而且使用频率相当高,因此我们研究基于智能手机的人体动作行为的识别技术,不仅提出了滑动窗口、坐标系转换等数据处理新方法,在研究了普通动作识别的基础上还创新性的研究了含姿势变换的复杂动作识别算法作为补充。姿势转换是描述从一个静态动作转换到另一个静态动作的短暂动作。由于它们的发生频率是非常低的而且相对于其他动作的持续时间也比较短,大多数人体动作识别方法忽略了姿势转换。但是在另外一些高要求的人体动作识别系统中不能被忽略,因为相对于其他基础动作,它们的发生率也是比较显著的。我们提出一种三层算法模型来识别含姿势转换的人体动作。在实验仿真过程中我们采用Iphone6收集跳跃,行走,跑步,上楼和下楼等基本动作。在基本动作识别中,由于人们放置智能手机的位置不尽相同,基于以上原因,本论文首先分析和研究了惯性导航中的坐标转换概念。其次提出一个基于pitch、yaw和roll偏转角的坐标转换公式,进而求出坐标转换矩阵,最后进行了具体的测验和分析。所以在数据预处理阶段,通过坐标转换排除手机放置方向对真实动作数据的干扰得到基于人体坐标轴的X、Y、Z方向的纯净动作加速度。预处理后,经过适当大小的滑动窗口后,连续的原始时间片序列数据能够被分割成离散的易于分类的训练样本,在数据的特征提取阶段,我们想从时间-频率角度对信号进行分析,就必须选取合适的小波基函数。最后在对比多个分类算法的基础上,我们选择支持向量机作为分类器训练样本,接下来为了进一步提高算法的性能,结合AdaBoost提升思想提出了改进的训练算法AdaBoost SVM:将SVM作为迭代的弱分类器,分别对数据进行训练,如果某样本被错分,那么在下轮迭代中增加它的权重,如果被正确分类则降低它的权重。在含姿势变换的动作识别中,由于姿势变换持续时间较普通动作更短,所以在数据采集方法上跟基本动作的采集有一定的差异。得到完整的动作信息之后,我们提出了一种三层模型来对动作进行分类,可以有效识别出含姿势转换的动作。最后,文章对本文研究中的不足和可改进地方提出了一些想法。