本发明属于施工现场管理技术领域，涉及到一种施工现场人员动作识别方法。特别涉及到一种基于手机传感器的智能化工人动作识别集成方法。
背景技术：
建筑业是我国国民经济中的支柱产业，对国民经济的拉动作用显著，在经济和社会发展中发挥着至关重要的作用。随着市场经济的发展，建筑施工企业面临着激烈的市场竞争。建筑企业能否在激烈的市场竞争中盈利，关键在于企业能否为社会提供质量高、工期短、造价低的建筑产品。因此建筑企业需要在保质保量的前提下尽可能的减少成本。建筑业的生产力水平主要是由占据整个项目期较长的施工阶段来决定的，而主体结构的施工在整个项目中又占据了大部分的时间和资源，因此加强对施工过程的管理和监控，提高施工效率，可有效地改善整个项目的生产力水平。施工过程的管理在行业内和学术界也已经成为一个热点问题，目前的过程管理主要是通过监控施工现场的人员、材料和机械设备以及对施工现场场景还原，来实现对建设阶段成本、质量、进度的控制和施工安全的管理，而对施工效率方面的管理和研究相对较少。但施工效率直接对整个施工阶段的进度产生影响，同时也影响着建设项目的成本和质量，所以加强对施工阶段的施工效率管理也是项目管理中必不可少的一部分。
传统的直接观察的管理方式不仅是对人力资源的浪费，并且最终结果往往是由观察者的主观意识判断所决定的。与这种传统的方式相比，采用自动化的数据收集方式来跟踪和管理劳动力更具优势。随着智能移动终端的发展，人们的生活越来越方便高效，充分运用智能移动终端技术所带来的优势，提高智能化设备在施工现场的应用和管理水平,应该作为提升建筑行业生产力水平的重点。现代的智能手机中内置多种传感器设备如：加速度传感器、陀螺仪、磁力传感器、压力传感器、温度传感器、距离传感器等，并应用于室内人体定位和行为识别等方面，且现在的智能手机应用非常普及，是收集获取现场数据的最佳工具。
应用于建筑施工领域的信息采集技术主要包括定位信息采集技术、图像信息采集技术、传感器与无线传感网络。不同的信息采集技术在施工领域应用中，都具有各自的优势和弊端，例如全球定位系统(gps)在能够实现快速、高效、准确地定位功能时确受障碍物的影响而导致定位精度的大幅下降，同时仅实现定位技术无法对施工管理带来有效帮助；图像传感技术没有距离的限制但易受现场背景、光照等环境的影响；不同种类、不同位置的传感器可以协同完成环境信息的采集，但多种传感器的集成应用需增加多个节点，从而降低了系统的灵活性，应用于动态复杂的施工环境中具有一定的难度。
技术实现要素：
为了克服上述现有技术的缺陷，本发明提供一种基于手机传感器的智能化工人动作采集管理系统，能够解决施工现场人员动作采集、特征提取、特征分类、工人动作分析的实现问题。该方法基于数据采集端、数据处理端和数据播放端实现；数据采集端包括手机的加速度计和陀螺仪，数据处理端是采用基于机器学习的数据分类方法，数据播放端为与计算机主机相连的电脑显示器和智能手机显示器，电脑和智能手机通过无线网络组成局域网
为了达到上述目的，本发明的技术方案为：
一种基于手机传感器的智能化工人动作识别集成方法，该方法首先通过智能手机传感器实时提取工人动作数据，然后通过无线网络传输到互联网服务器再下载到电脑主机，分别完成模型训练和动作分类，最后将工人某时刻的动作反馈给管理人。通过对施工人员活动的分析，根据实际经验及现场条件，可以对施工现场资源的利用、生产力的调解进行优化。具体包括以下步骤：
第一步，收集现有工人资料信息，确认数据采集工人的工作类型；
第二步，启动手机传感器数据提取软件，将手机固定在工人手腕和腿部，然后提取工人工作时手腕、腿部的动作加速度和倾角数值，并对提取的原始数据添加时间属性，并将采集的数据上传到网络服务器，其中，数据采集频率为10～50hz。
第三步，从网络服务器中将原始数据下载至电脑端，电脑端对接收的原始数据进行分类，分成有标签的数据和无标签的数据；有标签的数据与原始数据是一一对应。
第四步，采用有标签的数据建立动作分类模型
4.1)分别采用[0,1]归一化模型和[1,1]归一化模型对采集的数据进行归一化处理，[0,1]归一化模型和[1,1]归一化模型分别为：
其中，x为有标签数据；xmax为有标签数据的最大值；xmin为有标签数据的最小值。
所述4.1)中的归一化处理指新加入数据和原始数据共用同一种归一化方法。
4.2)采用改进的svm(supportvectormachine)的方法建立动作分类模型，如公式(3)所示，求解确定w和b；
f(x)＝wtx+b(3)
其中，w是垂直于超平面的一个向量，b为参数。
求解w和b的步骤如下：
4.2.1)根据
其中，α是拉格朗日乘子，其中α>0；
4.2.2)因为α>0,yi(wtx+b)-1>0，通过拉格朗日函数求得maxl(w,b,a)，通过kkt条件将
将公式(5)的结果带入公式(4)中，得到：
当
第五步，对第四步得到的动作分类模型进行后续优化处理，得到优化后的动作分类模型
(1)确定计算动作分类模型过程中的核函数
调用不同的核函数，对第四步得到的动作分类模型进行优化，分别计算结果精度，选取精度值最高的作为最终核函数。
选取的核函数包括如下表：
表1.svm核函数选取列表
(2)通过动作分类模型，优化没有标签的数据源奇异值
1)将松弛变量ξi引入到公式(3)、(4)中，得到：
yi(wtxi+b)≥1-ξi(8)
由此得到计算结果：
其中，c为惩罚参数；γi为函数间隔。由于γi≥0，得到0≤αi≤c。
2)将w回带到公式(6)中，原方程等价于求解公式(10)：
每次从中任意抽取两个乘子αp和αq，其中，p、q∈(1，n)，再固定αp和αq以外的其它乘子，若αp和αq分别为α1和α2，。则求解过程为：求解公式(10)，得到：
其中，ψ为目标函数；ψconstant为目标函数中的常数项；s为参数
根据y1、y2异号和同号可得：
因此可以用α2来表示α1：
对α2求导可得：
最终得到α1和α2的迭代表达式：
其中，η为参数
由此，完成α1和α2的计算过程，根据公式(16)得到间距：
3)重复步骤2)，任意抽取两个乘子，得到一个间距；每抽取两个乘子，得到一个间距，当两个乘子遍历1到n时，完成计算过程，并根据比较，取最大值为最终的最优间隔。
(3)优化惩罚参数c和核函数参数g
让两个函数在一定经验范围内以一定步长稳定增长，并绘制对应的精度曲线，取交叉验证之后精度最高的参数作为最终的惩罚参数c和核函数参数g。所述的步长范围为2n(n属于-10到10的整数)。
第六步，采用第五步优化后的动作分类模型对无标签的数据进行计算分类，得到工人随时间的动作分类数据，并将此数据反馈给现场管理人员。
与现有技术相比，本发明具有以下优势：
(1)采用智能手机提取数据，节省造价，方便使用。
(2)通过无线网络传输数据，摆脱有线连接距离限制，更适合在工地使用。
(3)采用机器学习算法统计工人工作量代替计件制算法，可以较少人工成本同时可以有效统计工人行为；
(4)具有良好的扩展性。
附图说明
图1为施工人员动作分类软件流程图；
图2为本发明的硬件装置结构示意图。
具体实施方式
以下仅为本发明的一个优选实例，只要采用相似的数值处理软件，相识的分类算法，都应属于本集成算法的保护范围。
下面结合附图1对本发明做进一步说明，本实施例中，腕部的手机可以替换为可以采集加速度和倾角的手环等三维数据采集工具，腿部的手机可以放置于裤兜里面。仅以施工现场钢筋工为例，对钢筋工日常工作动作进行统计并归并为8类，分别是：静止站立、行走、蹲、清理模板、提取和放置钢筋、钢筋定位、绑扎钢筋、放置垫块。通过机器学习方法对这8类动作进行计算，分类准确率可以达到88.37％。该方法基于数据采集端，数据处理端和数据播放端实现，数据采集端包括：手机的加速度计和陀螺仪，数据处理端是采用基于机器学习的数据分类方法，数据播放端为与计算机主机相连的电脑显示器和智能手机显示器，其中，电脑和智能手机通过无线网络组成局域网。具体步骤如下：
第一步，收集现有工人资料信息，确认数据采集工人的工作类型。
第二步，启动手机传感器数据提取软件，将手机固定在工人手腕和腿部，然后提取工人工作时手腕、腿部的动作加速度和倾角数值，并对提取的原始数据添加时间属性，并将采集的数据上传到网络服务器，其中，数据采集频率为25hz。
第三步，从网络服务器中将原始数据下载至电脑端，电脑端对接收的原始数据进行分类，分成有标签的数据和无标签的数据。
第四步，采用有标签的数据建立动作分类模型
4.1)分别采用[0,1]归一化模型和[1,1]归一化模型对采集的数据进行归一化处理，[0,1]归一化模型和[1,1]归一化模型如公式(1)和公式(2)所示。
4.2)采用改进的svm(supportvectormachine)的方法建立动作分类模型，如公式(3)所示，确定w和b后，采用该动作分类模型对没有标签的数据进行分类。
求解w和b的步骤如下：
4.2.1)建立如公式(4)所示的拉格朗日函数。
4.2.2)通过拉格朗日函数求得maxl(w,b,a)，通过kkt条件将
当
第五步，对第四步得到的动作分类模型进行后续优化处理，得到优化后的动作分类模型
(1)确定计算动作分类模型过程中的核函数
调用不同的核函数，对第四步得到的动作分类模型进行优化，分别计算结果精度，选取精度值最高的作为最终核函数。
(2)通过动作分类模型，优化没有标签的数据源奇异值
1)将松弛变量ξi引入到公式(3)、(4)中，得到：
yi(wtxi+b)≥1-ξi(8)
由此得到计算结果：
其中，c为惩罚参数；γi为函数间隔。由于γi≥0，得到0≤αi≤c。
2)将w回带到公式(6)中，原方程等价于求解公式(10)：
每次从中任意抽取两个乘子α1和α2，再固定α1和α2以外的其它乘子，求解公式(10)，得到：
其中，ψ为目标函数；ψconstant为目标函数中的常数项；s为参数
根据y1、y2异号和同号可得：
因此可以用α2来表示α1：
对α2求导可得：
最终得到α1和α2的迭代表达式：
其中，η为参数
由此，完成α1和α2的计算过程，根据公式(16)得到间距：
3)重复步骤2)，任意抽取两个乘子，得到一个间距；每抽取两个乘子，得到一个间距，当两个乘子遍历1到n时，完成计算过程，并根据比较，其最大值为最终的最优间隔。
(3)优化惩罚参数c和核函数参数g
让两个函数在一定经验范围内以一定步长稳定增长，并绘制对应的精度曲线，取交叉验证之后精度最高的参数作为最终的惩罚参数c和核函数参数g。所述的步长范围为2n(n属于-10到10的整数)。
第六步，采用第五步优化后的动作分类模型对无标签的数据进行计算分类，得到工人随时间的动作分类数据，并将此数据反馈给现场管理人员。
该集成方法包括施工人员动作数据采集方法、动作数据预处理方法、动作数据计算方法和动作数据反馈方法组成。现场管理人员可以通过电脑端查看工人的行为状态，进而更好地对现场施工人员进行管理。
如图2所示,本发明将手机内置传感器应用在施工人员动作特征采集之中，并将工人工作时身体加速度和转角数值上传到计算机处理端，通过对有标签的数据进行数据前处理优化模型参数提高模型分类精度，再通过训练好的模型对无标签数据进行动作分类。本发明由一台主机通过网络无线连接多台智能手机终端也可以通过数据线连接电脑显示器。工人的手机为采集端连接主机作为数据输入端，屏幕显示端连接主机作为图像输出。本发明采用采集-处理-输出模式，将智能手机端和pc端组成传输网络，通过手机端采集数据，主机计算数据，反馈给输出端显示结果。