【技术实现步骤摘要】
一种基于数据融合的人体轨迹相似行为识别方法
本专利技术属于信息数据处理
，尤其涉及一种基于数据融合的人体轨迹相似行为识别方法。
技术介绍
人体行为识别是人工智能中最热门的研究方向之一，在视频跟踪、运动分析、辅助医疗等领域都有着广泛的应用。根据数据类型的不同，人体行为识别主要可以分为两类：基于视觉传感器数据的人体行为识别研究与基于可穿戴力学传感器数据的人体行为识别研究。人体行为的视觉传感器数据主要包括人体运动时的彩色图像数据、深度图数据以及由深度图衍生的骨骼信号。可穿戴力学传感器数据主要为人体部位的加速度与角速度数据。尽管人体行为识别的研究已经得到了长足的发展，但依然面临着许多问题，特别是在识别具有相似运动轨迹的人体行为方面。首先完整的人体行为是由空间信息与时序信息共同构成的，现有的人体行为方法多侧重于对人体运动的空间信息的捕获而忽略人体运动的时序信息。从而造成了在分辨具有相似空间轨迹行为时的错判现象。其次，现有的表征人体三维骨骼数据的方式无法充分利用骨骼数据的空间信息；现有的人体行为识别研究由于直接对传感器加速...
【技术保护点】
1.一种基于数据融合的人体轨迹相似行为识别方法，其特征在于，具体包括以下步骤：/n步骤1，研究行为特点选取主要运动节点，计算主要运动节点两两之间的结构向量并作为骨骼特征；/n步骤2，根据主要运动节点的传感器加速度与传感器角速度数据计算线性加速度数据，对线性加速度数据进行加窗处理，提取每个窗口内数据的时域特征作为线性加速度特征；/n步骤3，对骨骼特征与线性加速度特征进行特征处理，包括特征长度归一化、特征大小归一化与特征降维；/n步骤4，将骨骼特征与线性加速度特征分别送入支持向量机中进行分类，并使用权重分配方法对两种分类结果进行决策融合得到最终识别结果。/n
【技术特征摘要】
1.一种基于数据融合的人体轨迹相似行为识别方法，其特征在于，具体包括以下步骤：
步骤1，研究行为特点选取主要运动节点，计算主要运动节点两两之间的结构向量并作为骨骼特征；
步骤2，根据主要运动节点的传感器加速度与传感器角速度数据计算线性加速度数据，对线性加速度数据进行加窗处理，提取每个窗口内数据的时域特征作为线性加速度特征；
步骤3，对骨骼特征与线性加速度特征进行特征处理，包括特征长度归一化、特征大小归一化与特征降维；
步骤4，将骨骼特征与线性加速度特征分别送入支持向量机中进行分类，并使用权重分配方法对两种分类结果进行决策融合得到最终识别结果。
2.根据权利要求1所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：所述步骤1具体如下，对三维骨骼数据进行特征提取，得到骨骼特征包括：根据所研究行为的特点，从25个关节点中选取主要的运动节点；计算选取的主要运动节点两两之间的结构向量作为全关联结构向量特征。
3.根据权利要求1所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤2中，对线性加速度数据进行特征提取，得到线性加速度特征包括：将主要运动节点的线性加速度数据进行加窗处理，窗口长度为256个数据点，相邻窗口重叠半个窗口长度；对每个窗口的线性加速度数据提取多种时域特征构成特征向量。
4.根据权利要求1所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤3中，对骨骼特征与线性加速度数据特征进行特征处理包括：使用基于高斯混合模型的费希尔向量归一化不同维度的行为特征；使用最大最小值归一化对骨骼特征与线性加速度特征进行处理；使用主成分分析算法对骨骼特征与线性加速度特征进行降维。
5.根据权利要求2所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤1中，计算选取的主要运动节点两两之间的结构向量，具体如下：
选取两两关节点之间的结构向量组成全关联结构向量特征其中是由关节点m指向关节点n的结构向量；
对于一个具有k帧的人体行为，特征可具体表示为：
P＝{pi|i∈(1,k)}。
6.根据权利要求3所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤2中，根据主要运动节点的传感器加速度与传感器角速度数据计算线性加速度数据，具体如下：使用分段双向去除反向重力加速度算法计算人体关节点的线性加速度，利用滑动均值滤波器，对采集到的运动数据传感器加速度信号与传感器角速度信号进行去噪处理，减少采样时的随机误差、仪器误差等对识别效果的影...
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。