本发明专利技术公开了一种基于子空间分类器的人体行为识别方法，其通过主成分分析法(Principal Components Analysis，PCA)对信道状态信息(Channel State Information，CSI)进行降维，去除冗余信息，降低时间复杂度。再利用小波变换、统计特征提取、标准化等手段，提取出特征长度一致并能表征各种行为的特征。然后，利用抽样来构造子空间，在各个子空间内用支持向量机(Support Vector Machine，SVM)训练，得到子空间分类模型，最后通过投票法对在线行为进行判决。本发明专利技术方法能够运用于提升人体行为识别的准确率，解决了单个分类器行为识别鲁棒性不够、准确率不高的问题。
【技术实现步骤摘要】
一种基于子空间分类器的人体行为识别方法
本专利技术涉及行为提取技术，具体涉及一种子空间分类器的人体行为识别方法。
技术介绍
随着二十一世纪科学技术的飞速发展和计算机设备的普及，人机交互技术(HumanComputerInteraction,HCI)已经成为众多国家重点关注和研究的对象。所谓人机交互，是指用户与计算机设备之间通过电脑硬件、行为动作、声音等预先指定好的交互方式，去完成指定的任务从而产生信息交换的过程。人体行为识别作为其重要的研究领域，对人机交互技术的发展有非常重大的作用，对改善人类的生产生活有着巨大的意义。传统的基于视觉的行为识别技术易受光线、视距传播等因素的影响，而基于传感器的行为识别需要使用者佩戴专用设备，影响了行为识别技术的推广。随着WLAN技术的发展和成熟，许多家庭可随意安装高速且稳定的WLAN设备，这类设备成本低、易携带和安装。因此，学者们基于WLAN进行许多相关研究，其中基于WLAN的室内定位已发展成熟，基于WLAN的室内入侵检测也已构成完善的系统。为了实现高带宽、高质量的WLAN服务，使无线局域网达到以太网的性能水平，WLAN协议802.11n和802.11ac相继得到IEEE正式批准，其调制方式为正交频分复用技术(OrthogonalFrequencyDivisionMultiplexing,OFDM)，通过该技术可以解析出各个子载波信道的CSI，这使得通过WLAN进行更精细的研究成为可能。特别是在2014年，美国华盛顿大学和英特尔公司合作，利用intel5300网卡，成功提取出30个子载波的CSI信息，并将其技术公开，引起学术界的轰动，大量学者开始对CSI信号进行研究与探索。现有的基于CSI的人体行为识别技术中行为识别算法主要有动态时间规整(DynamicTimeWarping，DTW)，隐型马尔科夫模型(HiddenMarkovModel，HMM)，支持向量机(SupportVectorMachine，SVM)和装袋(bootstrapaggregation，bagging)。这些技术在某些条件下都能达到较高的识别率，但是都存在一定的局限。DTW算法需要结合K邻近算法(k-NearestNeighbor，KNN)等算法使用，但是KNN等算法都是惰性学习算法，需要在在线阶段通过DTW算法来计算特征相似度，牺牲了系统的实时性，特别是在特征序列比较长的情况下，这种算法几乎完全无法完成识别。HMM算法需要大量的样本，而且隐藏层数量也无法确定。基于SVM的行为识别技术需要牺牲行为数据时间上的关联性，单独的使用它会造成系统的鲁棒性不足。bagging算法抽样方式过于随机，会造成训练样本不均衡。
技术实现思路
本专利技术的目的是提供一种基于子空间分类器的人体行为识别方法，能有效提得对行为进行分类判决。本专利技术所述的基于子空间分类器的人体行为识别方法，包括以下步骤：步骤一、利用主成分分析法，将CSI信号降维到p维；步骤二、通过q层小波变换提取信号时频特性，进行q层离散小波变换，得到每个行为的时频特性矩阵，这是一个p×(q+1)行T列的矩阵；步骤三、提取各个行为的统计特征，包括：均值、标准差、四分位距、50％累积概率下分位数、68.3％累积概率下分位数、95％累积概率下分位数；步骤四、通过z-score标准化方法，将行为的各个特征变换到同一个尺度下；步骤五、设置子空间分类器数量c和子空间维度y；步骤六、将所有特征分成p×(q+1)组，每一组表示某一个主成分的某一个频率分量的6种统计量；步骤七、初始化已构建子空间分类器数量j＝0；步骤八、初始化备选特征集合U＝[1,2,…,y]，统计量编号，i＝1，已选特征集合步骤九、令第i种统计量的抽选集合抽选次数time＝0；步骤十、随机从U中抽取一个数z，计算z′＝mod(z,p×(q+1))+1；步骤十一、若进入步骤十二，否则进入步骤十；步骤十二、将z′组的第i个特征添加进Sj，z′添加进Si′，z从U中删除，time＝time+1；步骤十三、若进入步骤十四，否则回到步骤十；步骤十四、i＝i+1；步骤十五、若i≤6，回到步骤九，否则进入步骤十六；步骤十六、利用Sj对训练数据特征进行抽取，结合SVM建立分类器，得到分类器模型modelj；步骤十七、j＝j+1；步骤十八、若j＜c，进入步骤八，否则进入步骤十九；步骤十九、利用步骤一到步骤四的方法提取在线数据的特征；,步骤二十、利用分类器模型{model1,model2,...,modelc}和SVM原理对在线数据特征进行判决，得到c个分类结果；步骤二十一、对这c个分类结果进行统计，输出出现最多的行为。所述步骤一中：假设某个行为原始数据可表示为：其中，fi表示第i(i＝1,2,…,30)个子载波的频率，|H(fi,1)|表示第i个子载波的信道状态信息的幅值，T表示该行为持续时间为T。首先将矩阵中心化：然后求Hc的协方差矩阵C：对C进行特征值分解：λivi＝Cvi(i＝1,…,30)这里和vi分别表示C的特征值以及该特征值对应的特征向量，且：λ1≥λ2≥…≥λ30。取p＝3，V＝[v2,v3,v4]。Hr＝VT×HHr即为降维到p维的行为特征，它是一个p行T列的矩阵。所述步骤三中：对HW的每一行计算统计特征，可使每一种行为对应一个p×(q+1)的向量，假设训练数据中包含有M个行为，则这些行为的统计特征可组成一个M行6×p×(q+1)列的矩阵Ha，Ha的每一行表示一个行为的所有特征，每一列表示所有行为的某一种特征。Ha计算方式为Ha(m,(j-1)×6+3)＝Q3(Hw,m(j,:))-Q1(Hw,m(j,:))其中，Hw,m(j,t)表示第m种行为的时频特性矩阵的第j行第t列元素；Hw,m(j,:)表示第m种行为的时频特性矩阵的第j行的所有元素；Q3(Hw,m(j,:))和Q1(Hw,m(j,:))表示Hw,m(j,:)的3/4和1/4分位数；表示Hw,m(j,:)的累积概率密度曲线。所述步骤四中：其中Aj和σj分别表示Ha的第j列元素的均值和标准差，得到的Hb也是一个M行6×p×(q+1)列的矩阵。有益效果本方法通过时频特征提取和组合分类器构造，有效的进行人体行为识别的方法。首先利用PCA算法对CSI数据进行降维，去除冗余信息，再利用小波变换获取行为时频特征、通过统计特征提取使各个行为的特征长度一致化、使用z-score标准化方法防止行为识别结果受某些特征左右。然后，针对传统行为识别算法鲁棒性不够的问题，设计了一种子空间分类器，利用抽样准则来构造子空间，在各个子空间内用SVM训练，得到子空间分类模型，最后利用投票法对在线行为进行判决。附图说明图1为本专利技术所述方法的流程示意图。图2a为本专利技术的真实室外空旷环境实验示意图。图2b为本专利技术的真实室内多径环境实验示意图。图3a为室外空旷环境中各个行为的识别结果。图3b为室内多径环境中各个行为的识别结果。具体实施方案下面结合附图对本专利技术进行详细的描述。图1为本专利技术所述方法的流程示意图，如图所示，本专利技术所述方法具体包括以下步骤：步骤一、利用主成分分析法，将CSI信号降维到p维；假设某个行为原始数据可表示为：其中，fi表示第i(i＝1,2,…,30)个子载波的频率，|H本文档来自技高网...
【技术保护点】
1.基于子空间分类器的人体行为识别方法，其特征在于，包括以下步骤：步骤一、利用主成分分析法，将CSI信号降维到p维；步骤二、通过q层小波变换提取信号时频特性，对Hr进行q层离散小波变换，得到每个行为的时频特性矩阵HW，这是一个p×(q+1)行T列的矩阵；步骤三、提取各个行为的统计特征，包括：均值、标准差、四分位距、50％累积概率下分位数、68.3％累积概率下分位数、95％累积概率下分位数；步骤四、通过z‑score标准化方法，将行为的各个特征变换到同一个尺度下；步骤五、设置子空间分类器数量c和子空间维度y；步骤六、将所有特征分成p×(q+1)组，每一组表示某一个主成分的某一个频率分量的6种统计量；步骤七、初始化已构建子空间分类器数量j＝0；步骤八、初始化备选特征集合U＝[1,2,…,y]，统计量编号，i＝1，已选特征集合
【技术特征摘要】
1.基于子空间分类器的人体行为识别方法，其特征在于，包括以下步骤：步骤一、利用主成分分析法，将CSI信号降维到p维；步骤二、通过q层小波变换提取信号时频特性，对Hr进行q层离散小波变换，得到每个行为的时频特性矩阵HW，这是一个p×(q+1)行T列的矩阵；步骤三、提取各个行为的统计特征，包括：均值、标准差、四分位距、50％累积概率下分位数、68.3％累积概率下分位数、95％累积概率下分位数；步骤四、通过z-score标准化方法，将行为的各个特征变换到同一个尺度下；步骤五、设置子空间分类器数量c和子空间维度y；步骤六、将所有特征分成p×(q+1)组，每一组表示某一个主成分的某一个频率分量的6种统计量；步骤七、初始化已构建子空间分类器数量j＝0；步骤八、初始化备选特征集合U＝[1,2,…,y]，统计量编号，i＝1，已选特征集合步骤九、令第i种统计量的抽选集合抽选次数time＝0；步骤十、随机从U中抽取一个数z，计算z′＝mod(z,p×(q+1))+1；步骤十一、若进入步骤十二，否则进入步骤十；步骤十二、将z′组的第i个特征添加进Sj，z′添加进Si′，z从U中删除，time＝time+1；步骤十三、若进入步骤十四，否则回到步骤十；步骤十四、i＝i+1；步骤十五、若i≤6，回到步骤九，否则进入步骤十六；步骤十六、利用Sj对训练数据特征进行抽取，结合SVM建立分类器，得到分类器模型modelj；步骤十七、j＝j+1；步骤十八、若j＜c，进入步骤八，否则进入步骤十九；步骤十九、利用步骤一到步骤四的方法提取在线数据的特征；步骤二十、利用分类器模型{model1,model2,...,modelc}和SVM原理对在线数据特征进行判决，得到c个分类结果；步骤二十一、对这c个分...
【专利技术属性】
技术研发人员：杨小龙，何艾琳，蒋青，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50
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。