一种行为识别方法及设备技术

本发明专利技术公开了一种行为识别方法，所述方法包括：获取待识别行为对应的行为数据；获取所述行为数据的小波特征值；依据所述小波特征值，确定所述待识别行为。同时，本发明专利技术还公开了一种行为识别设备。

【技术实现步骤摘要】

本专利技术涉及到行为识别技术，具体涉及一种行为识别方法及设备。
技术介绍
近年来，随着手机、智能手表、智能手环等移动设备的普及，基于移动设备的人体行为识别技术成为了研究热点。其中，惯用的行为识别方法如下所述：通过移动设备中配置的传感器来采集人体的行为数据即样本数据，对所采集的样本数据进行特征优选，并通过建立的行为模型来识别人体行为。所述人体行为可以为静止、走路、跑步、跳、坐、站立等人体日常动作。这些人体日常动作由于动作间的差异较大，所以比较容易识别且识别准确度较高。但是考虑到在实际应用中，人体也会出现诸如上楼和下楼，慢走、快走和原地踏步等这样细分的动作，目前的行为识别方法对于识别这种细分动作的准确度并不高、误识别概率较大。
技术实现思路
为解决现有存在的技术问题，本专利技术实施例提供一种行为识别方法及设备，能够提高对细分动作识别的准确度，减少误识别概率。本专利技术实施例的技术方案是这样实现的：本专利技术实施例提供了一种行为识别方法，所述方法包括：获取待识别行为对应的行为数据；获取所述行为数据的小波特征值；依据所述小波特征值，确定所述待识别行为。前述方案中，所述获取待识别行为对应的行为数据，包括：以预定的采样频率在预定的采集周期内采集人体在发生所述待识别行为时产生的加速度信号；确定所采集到的任意加速度信号为所述行为数据。前述方案中，所述获取所述行为数据的小波特征值，包括：将所述行为数据进行N层小波分解，得到每层的近似系数，所述近似系数包括高频近似系数和低频近似系数，N为小波分解层数、为大于等于1的正整数；保留至少一个预定层的低频近似系数；依据所保留的至少一个预定层的低频近似系数，确定所述至少一个预定层中每层的小波特征值。前述方案中，所述方法包括：至少将所述行为数据、预定的小波分解层数N＝6输入至预先设定的小波变换函数中进行6层小波分解，得到每层的高频近似系数和低频近似系数；保留第2层、第3层及第4层的低频近似系数；利用第2层、第3层及第4层的低频近似系数，计算以下其中至少一种特征参数：所保留下的所有层中每层的小波能量值、小波峰值的平均大小、小波峰值个数；确定所计算出的每层的特征参数为相应层的所述小波特征值。前述方案中，所述依据所述小波特征值，确定所述待识别行为，包括：确定所有层的特征参数为预先训练的分类器模型的输入信号；将所述输入信号输入至所述分类器模型；通过所述分类器模型对所述输入信号进行预设算法的运算识别出所述待识别行为。本专利技术实施例还提供了一种行为识别设备，所述设备包括：第一获取单元，用于获取待识别行为对应的行为数据；第二获取单元，用于获取所述行为数据的小波特征值；第一确定单元，用于依据所述小波特征值，确定所述待识别行为。前述方案中，所述第一获取单元，还用于：以预定的采样频率在预定的采集周期内采集人体在发生所述待识别行为时产生的加速度信号；确定所采集到的任意加速度信号为所述行为数据。前述方案中，所述第二获取单元，还用于：将所述行为数据进行N层小波分解，得到每层的近似系数，所述近似系数包括高频近似系数和低频近似系数，N为小波分解层数、为大于等于1的正整数；保留至少一个预定层的低频近似系数；依据所保留的至少一个预定层的低频近似系数，确定所述至少一个预定层中每层的小波特征值。前述方案中，所述第二获取单元，还用于：至少将所述行为数据、预定的小波分解层数N＝6输入至预先设定的小波变换函数中进行6层小波分解，得到每层的高频近似系数和低频近似系数；保留第2层、第3层及第4层的低频近似系数；利用第2层、第3层及第4层的低频近似系数，计算以下其中至少一种特征参数：所保留下的所有层中每层的小波能量值、小波峰值的平均大小、小波峰值个数；确定所计算出的每层的特征参数为相应层的所述小波特征值。前述方案中，所述第一确定单元，还用于：确定所有层的特征参数为预先训练的分类器模型的输入信号；将所述输入信号输入至所述分类器模型；通过所述分类器模型对所述输入信号进行预设算法的运算识别出所述待识别行为。本专利技术实施例提供的行为识别方法及设备，获取待识别行为对应的行为数据；获取所述行为数据的小波特征值；依据所述小波特征值，确定所述待识别行为。小波特征值为频域上的特征参数，从频域角度进行人体细分动作行为的识别，可提高识别准确性，减少误识别概率。附图说明图1为本专利技术实施例的行为识别方法的实现流程示意图；图2为本专利技术实施例的获取行为数据的小波特征值的实现流程示意图；图3为本专利技术实施例的样本序号与样本幅值的坐标示意图；图4为本专利技术实施例的行为识别设备的组成结构示意图。具体实施方式以下结合附图对本专利技术的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。本专利技术实施例的行为识别方法，应用于一移动设备中，该移动设备可以手机、智能手表、智能手环、智能眼镜，也可以为平板电脑PAD、个人数字助理PDA、电子阅读器等，此处不做具体限定。图1为本专利技术实施例的行为识别方法的实现流程示意图；如图1所示，所述方法包括：步骤11：获取待识别行为对应的行为数据；所述待识别行为为至少两种细分动作行为，例如上楼和下楼这两种细分动作，还例如慢走、快走和原地踏步这三种细分动作，还例如上楼、下楼和步行这三种细分动作。本专利技术实施例的技术方案就在于如何高准确度的识别每种细分动作行为。本实施例中，以待识别行为包括上楼和下楼为例，所述行为数据为人体在某种行为下产生的加速度信号，例如在上楼时产生的加速度、下楼时产生的加速度，该加速度信号优选为合成加速度信号。该加速度信号可通过内置在移动设备中的加速度传感器而感应到。当该加速度传感器为三轴加速度传感器时，通过该三轴加速度传感器感应到的是XYZ三维坐标系下在X方向、Y方向和Z方向上的加速度，并将这三个方向上的加速度进行合成得到的所述合成加速度信号。通常，加速度传感器以预定的采样频率采用处于某种行为下的加速度信号，如以采集频率为50次/s为例，采集人体在发生当前行为下的行为数据1s，在这1s内共采集到50次/s*1s＝50个的行为数据即加速度信号，视这1s为预定的一个采样周期。本实施例中，所述获取待识别行为对应的行为数据可以为以预定的采样频率在预定的采集周期内采集人体在发生所述待识别行为时产生的加速度信号；确定所采集到的任意个加速度信号为所述行为数据。并通过后续的技术方案识别该行为具体为哪种行为如为上楼行为还是下楼行为。其中，所述采样频率与采样周期可根据实际情况而灵活设定。步骤12：获取所述行为数据的小波特征值；这里，所述小波特征值包括以下至少其中一种特征参数：行为数据经小波分解后的小波能量、小波峰值的平均大小、小波峰值个数。如图2所示，所述步骤12进一步包括：步骤121：将所述行为数据进行N层小波分解，得到每层的近似系数，所述近似系数包括高频近似系数和低频近似系数；这里，N为大于等于1的正整数，可根据经验而灵活设定，通常N的最大取值需要满足在将行为数据分解为最大层时该最大层中的信号能够表示为一个完整的行为动作如表示为一个完整的上楼动作。本实施例中，优选小波分解层数N＝6。在预先配置好的库函数中，调用小波变换函数，并将通过加速度传感器采集到的当前行为数据、预先选取好的小波本文档来自技高网...

【技术保护点】
一种行为识别方法，其特征在于，所述方法包括：获取待识别行为对应的行为数据；获取所述行为数据的小波特征值；依据所述小波特征值，确定所述待识别行为。

【技术特征摘要】
1.一种行为识别方法，其特征在于，所述方法包括：获取待识别行为对应的行为数据；获取所述行为数据的小波特征值；依据所述小波特征值，确定所述待识别行为。2.根据权利要求1所述的方法，其特征在于，所述获取待识别行为对应的行为数据，包括：以预定的采样频率在预定的采集周期内采集人体在发生所述待识别行为时产生的加速度信号；确定所采集到的任意加速度信号为所述行为数据。3.根据权利要求1或2所述的方法，其特征在于，所述获取所述行为数据的小波特征值，包括：将所述行为数据进行N层小波分解，得到每层的近似系数，所述近似系数包括高频近似系数和低频近似系数，N为小波分解层数、为大于等于1的正整数；保留至少一个预定层的低频近似系数；依据所保留的至少一个预定层的低频近似系数，确定所述至少一个预定层中每层的小波特征值。4.根据权利要求3所述的方法，其特征在于，所述方法包括：至少将所述行为数据、预定的小波分解层数N＝6输入至预先设定的小波变换函数中进行6层小波分解，得到每层的高频近似系数和低频近似系数；保留第2层、第3层及第4层的低频近似系数；利用第2层、第3层及第4层的低频近似系数，计算以下其中至少一种特征参数：所保留下的所有层中每层的小波能量值、小波峰值的平均大小、小波峰值个数；确定所计算出的每层的特征参数为相应层的所述小波特征值。5.根据权利要求4所述的方法，其特征在于，所述依据所述小波特征值，确定所述待识别行为，包括：确定所有层的特征参数为预先训练的分类器模型的输入信号；将所述输入信号输入至所述分类器模型；通过所述分类器模型对所述输入信号进行预设算法的运算识别出所述待识别行为。6.一种行为识...

【专利技术属性】
技术研发人员：贺菲菲，贺炎，王斌，王忠民，梁琛，张荣，宋辉，衡霞，范琳，王文浪，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：广东;44