当前位置: 首页 > 专利查询>上海大学专利>正文

一种基于融合稀疏表示矩阵的人体动作识别方法技术

技术编号:12308407 阅读:172 留言:0更新日期:2015-11-11 17:31
本发明专利技术公开了一种基于融合稀疏表示矩阵的人体动作识别方法,包括采集数据,构建各测试对象的动作矩阵步骤、构建过完备字典步骤、求解各测试对象的稀疏表示矩阵步骤、求解第一融合稀疏表示矩阵步骤、求解第二融合稀疏表示矩阵和动作识别步骤。本发明专利技术利用大量不同的人体动作数据进行训练,通过两次不同的融合方法,首先减小了训练过程中同一对象得到的稀疏表示矩阵的误差,然后减少了不同对象间的差异,减少了冗余信息,融合分类过程中的有效信息,使互补信息和协同信息得到最优化,提高人体动作识别的准确率。

【技术实现步骤摘要】

本专利技术涉及一种人体动作识别方法,特别涉及一种基于融合稀疏表示矩阵的人体 动作识别方法。
技术介绍
无线体域网(Wireless Body Area Network, WBAN)是一种以人体为中心的短距离 无线通信网络。通过在人体上佩戴功能不同的传感器,WBAN成为个人生理信息采集与传输 的重要技术手段之一,在人们的日常生活监测、病人监护、运动员康复辅助训练等发面得到 广泛应用,其中,基于WBAN中佩戴的惯性传感器的人体动作识别成为当前的研究热点。目 前常用的人体动作识别方法主要有决策树、人工神经网络、支持向量机、多级分层法、稀疏 表示分类法等等。目前,对信息融合这门技术研究已经有了很大的突破,但是目前仍然没有 一个被广泛认可的关于信息融合的定义,根据各种不同的定义,我们可以理解为信息融合 实质就是充分利用多个传感器或多特征属性的感知数据,以一定的规则合理的使用和支配 这些感知数据,综合多方位的不完整的局部环境信息,消除信息间可能存在的矛盾,得到对 感知对象的描述或解释。可见,信息融合过程本质上是一个信息处理的过程,其处理的方式 有数据级融合、特征级融合和决策级融合。信息融合的核心是对传感器数据的协调优化和 综合处理,将信息融合技术应用到人体动作识别中,可以有效地减少多个惯性传感器数据 之间的冗余信息,最优化协同信息和互补信息,有利于人体动作识别率的提升。
技术实现思路
本专利技术的目的在于提供。 为了实现上述目的,本专利技术采用如下的技术方案: -种基于融合稀疏表示矩阵的人体动作识别方法,包括以下步骤: 步骤1 :选择K个测试对象,所述各测试对象分别佩戴L个传感器,所述各传感器 采集的信号种类相同,均包括加速度信号和陀螺仪信号,所述各测试对象所做不同动作种 类数目均为T,所述各测试对象对所述各种动作的重复次数均为N,所述各传感器对各种动 作的各次重复均进行h次采样,生成各测试对象的动作矩阵H pe R uxw,p = 1,2,…,K : Hp= e Ruxw (1) 其中,U = 5hL,W = NT,第P个人第q种动作的动作子矩阵Hpiq为: Hp,q= e RUXN ⑵ 其中第P个人第η次第q种动作的动作向量\^为: 其中,第p个人第η次第q种动作第j个传感器对应的动作子向量β j,j = 1,2,…,L 为: _3] βρ,…=(ap,…(l)T,a,⑵丁,…,ajQOVe R5h (4) 其中,第p个人第η次第q种动作第j个传感器在t时刻采集的传感器向量 ap,q,n,j (t)为: _5] aPiqinij(t) = (xp, q, n, j (t), yPiq, n, j (t), zPiq, n, j (t), 0pqni ^t), Ppiqinij (t))Te R5 (5) 其中Xp^^t),又^^⑴,zp,q,n,.j(t)为第p个人第n次做第q种动作的第j个传 感器在t时刻采集到的X、Y和Z方向的加速度信号,Θ p q ni Jt),Pp^ Jt)为第p个人第 η次做第q种动作的第j个传感器在t时刻采集到的两轴陀螺仪X、Y方向的角速度信号; 步骤2 :由所述各测试对象做所述各种动作的动作子矩阵Hpiq生成过完备字典矩 阵A : A= e R_ (6) 其中,Q = NTK; 步骤3 :根据所述过完备字典矩阵A,利用二次约束下极小化LI范数的方法生成与 所述各测试对象的动作矩阵Hpe Ruxw,p = 1,2,…,K对应的各测试对象的稀疏表示矩阵 BpG RQXW,p = 1,2, ...,K ; 步骤4 :将所述各测试对象的稀疏表示矩阵Bp e RtjxwJ = 1,2,…,Κ,由循环最大 化Ll范数法提取出各测试对象的第一融合稀疏表示矩阵Cpe RQXT,P = 1,2,…,K ;所述第 一融合稀疏表示矩阵Cpe Rqxt的列向量数目与所述动作种类数目T相同; 步骤5:将所述各测试对象的第一融合稀疏表示矩阵Cpe RQXT,P= 1,2,…,K通 过循环最大化Ll范数法得到所述第二融合稀疏表示矩阵F e Rqxt,所述第二融合稀疏表示 矩阵F e Rqxt的列向量为f q,q = 1,2,…,T分别与所述各种动作对应; 步骤6 :进行人体动作识别:计算待识别动作向量γ test与所述第二融合稀疏表示 矩阵F中各列向量的线性加权差值,选择线性加权差值最小的列向量所对应的动作种类 为最终的识别结果。 所述各测试对象分别佩戴5个传感器,所述各传感器采集的信号种类相同,均包 括加速度信号和陀螺仪信号,所述各测试对象均做13种不同动作,每种动作做5次。 所述步骤3中所述的用二次约束下极小化Ll范数的方法由以下步骤组成: 步骤3-1 :求解所述第p个测试对象的动作矩阵Hpe Ruxw,p = 1,2,…,K的各列 向量对应的稀疏表示向量5^/.?,η = 1,2,…,N。: 其中ε为观测噪声。 步骤3-2 :将所述第ρ个测试对象的动作矩阵Hpe R uxw,ρ = 1,2,…,K的各列向 量对应的稀疏表示向量构成的稀疏表示矩阵Bp,p = 1,2,…,K : 所述步骤4由以下具体步骤组成: 步骤4-1 :将所述各测试对象的稀疏表示矩阵Bp,p = 1,2,…,K按列顺序平均分 为与所述动作种类数目T相同的第一至第T稀疏向量组,每组N个向量: 步骤4-2 :求所述各稀疏向量组的最优列向量:令 步骤4-3 :将所述各稀疏向量组的最优列向量1,2,…,N按顺序组成第二融合稀疏输出矩阵Cp= e Rtjx^p = 1,2,…,K。 所述步骤5由以下具体步骤组成: 步骤5-1 :将所述各测试对象的第一融合稀疏表示矩阵Cpe Μχτ,ρ = 1,2,…,K按 列顺序平均分为与所述动作种类数目T相同的第Τ+1至第2Τ稀疏向量组,每组K个向量: (d1'1,d2'1,…,cf'1),(d 1'2,d2'2,…,dK' 2),…,(d1''d2'T,…,dK' T); 步骤5-2 :求所述第T+l至第2T稀疏向量组的最优列向量:令Aq,p= I |cTp| I1, 步骤5-3 :将所述第T+1至第2T稀疏向量组的最优列向量按顺序组成所述第二融 合稀疏表示矩阵F = e Rqxt。 所述步骤6中所述线性加权的差值rq (Ytest)的计算方法为: rq ( γ test) = I I γ test-fq I 12, q = 1,2,…,T (9) 本专利技术的有益效果在于: 本专利技术利用大量不同的人体动作数据进行训练,通过两次不同的融合方法,首先 减小了训练过程中同一对象得到的稀疏表示矩阵的误差,然后减少了不同对象间的差异, 减少了冗余信息,融合分类过程中的有效信息,使互补信息和协同信息得到最优化,提高人 体动作识别的准确率。【附图说明】 图1为本专利技术的流程图。【具体实施方式】 为了更好地理解本专利技术的技术方案,结合附图,以下将对本专利技术一种基于融合稀 疏表示矩阵的人体动作识别方法作进一步的详细描述,系统框图如图1所示,具体实施步 骤如下: -种基于融合稀疏表示矩阵的人体动作识别方法,包括以下步骤: 步骤1 :选择K个测试对象,所述各测试对象分别佩戴L个传感器,所述各传感器 采集的信号种本文档来自技高网...

【技术保护点】
一种基于融合稀疏表示矩阵的人体动作识别方法,其特征在于:包括以下步骤:步骤1:选择K个测试对象,所述各测试对象分别佩戴L个传感器,所述各传感器采集的信号种类相同,均包括加速度信号和陀螺仪信号,所述各测试对象所做不同动作种类数目均为T,所述各测试对象对所述各种动作的重复次数均为N,所述各传感器对各种动作的各次重复均进行h次采样,生成各测试对象的动作矩阵Hp∈RU×W,p=1,2,…,K:Hp=[Hp,1,Hp,2,…,Hp,T]∈RU×W    (1) 其中,U=5hL,W=NT,第p个人第q种动作的动作子矩阵Hp,q为:Hp,q=[vp,q,1,vp,q,2,…,vp,q,N]∈RU×N    (2)其中第p个人第n次第q种动作的动作向量vp,q,n为:其中,第p个人第n次第q种动作第j个传感器对应的动作子向量βp,q,n,j,j=1,2,…,L为:βp,q,n,j=(ap,q,n,j(1)T,ap,q,n,j(2)T,…,ap,q,n,j(h)T)T∈R5h    (4) 其中,第p个人第n次第q种动作第j个传感器在t时刻采集的传感器向量ap,q,n,j(t)为:ap,q,n,j(t)=(xp,q,n,j(t),yp,q,n,j(t),zp,q,n,j(t),θp,q,n,j(t),ρp,q,n,j(t))T∈R5    (5)其中xp,q,n,j(t),yp,q,n,j(t),zp,q,n,j(t)为第p个人第n次做第q种动作的第j个传感器在t时刻采集到的X、Y和Z方向的加速度信号,θp,q,n,j(t),ρp,q,n,j(t)为第p个人第n次做第q种动作的第j个传感器在t时刻采集到的两轴陀螺仪X、Y方向的角速度信号;步骤2:由所述各测试对象做所述各种动作的动作子矩阵Hp,q生成过完备字典矩阵A:A=[H1,1,H2,1,…,HK,1,H1,2,H2,2,…,HK,2,…,H1,T,H2,T,…,HK,T]∈RU×Q    (6)其中,Q=NTK;步骤3:根据所述过完备字典矩阵A,利用二次约束下极小化L1范数的方法生成与所述各测试对象的动作矩阵Hp∈RU×W,p=1,2,…,K对应的各测试对象的稀疏表示矩阵Bp∈RQ×W,p=1,2,…,K;步骤4:将所述各测试对象的稀疏表示矩阵Bp∈RQ×W,p=1,2,…,K,由循环最大化L1 范数法提取出各测试对象的第一融合稀疏表示矩阵Cp∈RQ×T,p=1,2,…,K;所述第一融合稀疏表示矩阵Cp∈RQ×T的列向量数目与所述动作种类数目T相同;步骤5:将所述各测试对象的第一融合稀疏表示矩阵Cp∈RQ×T,p=1,2,…,K通过循环最大化L1范数法得到所述第二融合稀疏表示矩阵F∈RQ×T,所述第二融合稀疏表示矩阵F∈RQ×T的列向量为fq,q=1,2,…,T分别与所述各种动作对应;步骤6:进行人体动作识别:计算待识别动作向量γtest与所述第二融合稀疏表示矩阵F中各列向量的线性加权差值,选择线性加权差值最小的列向量所对应的动作种类为最终的识别结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员:于宗泽方勇李兆元余鸿文陶红波
申请(专利权)人:上海大学
类型:发明
国别省市:上海;31

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1