Improvement in sensor technology has aided research in the field of human action recognition (HAR), as acquiring data is easier and the obtained data is more accurate. However, each sensor has its own limitations and benefits, and a combination of these sensors can help improve the accuracy of recognition systems.This thesis presents an in depth study of HAR using decision level fusion of classifiers that are trained using RGB-D camera and inertial sensor data. Extraction of robust and subject-invariant features is performed to train independent classifiers, i.e. neural networks, for action recognition purposes. This work employs decision level fusion on the outputs of the individual classifiers using a probabilistic approach in the form of Logarithmic Opinion Pool (LOP). The effect of varying the parameters of the proposed algorithm on the final 8-fold cross-validation accuracy is analyzed.The proposed algorithm is tested on UTD-Multimodal Human Action Dataset that contains actions which are based upon the movement of different set of joints, and it achieves an average 8-fold cross-validation accuracy of 97.3%.

Sensör teknolojilerindeki ilerlemeler insan hareketi tanıma (İHT) alanındaki araştırmalara yardımcı oldu zira veri alımı kolaylaştı ve elde edilen verinin doğruluğu daha fazla. Bununla birlikte her sensörün kendine özgü sınırları ve yararları bulunmakta ve de bu sensörlerin füzyonu tanıma sistemlerinin doğruluğunu artırmada yardımcı olabilir.Bu tezde RGB-D kamera ve ataletsel sensör verileri ile eğitilmiş bağımsız sınıflandırıcıların karar düzeyinde füzyonu kullanılarak İHT alanı derinlemesine irdelenmiştir. Gürbüz ve özneden bağımsız öznitelikler bağımsız hareket tanıma sınıflandırıcılarını (mesela sinir ağları) eğitmek için çıkarıldı. Bu çalışma Logaritmik Düşünce Havuzu (LDH) formunda olasılıksal yaklaşım kullanarak bireysel sınıflandırıcıların çıktıları üzerinde karar düzeyinde veri füzyonu uygulamıştır. Bu tez önerilen algoritmadaki parametreleri değiştirmenin son 8-katlı çapraz doğrulama üzerindeki etkisini incelemektedir.Önerilen algoritma, içinde eklemlerin farklı hareketlerine göre sınıflandırılmış eylemler bulunan UTD-Multimodal Human Action Dataset üzerinde test edilmiş ve 8-katlı çapraz doğrulama sonucunda %97.3'lük bir doğruluk oranına ulaşılmıştır.