一种动作识别方法技术

本发明专利技术属于人机交互技术领域，涉及一种动作识别方法，包括以下步骤：对多个动作信号进行采集，作为原始输入集；对原始输入集中的每个动作信号逐个进行活动段检测，获取有效的信号；基于有效的信号进行特征提取，获取有效的样本特征集；基于有效的样本特征集，构建多层动作识别模型；采集待测试的动作信号，将待测试的动作信号送入构建好的多层动作识别模型，进行动作识别，并将识别的结果输出。本发明专利技术以多分类器融合为基础，提出了多层决策融合的拒绝决策算法，对于操作不规范或者非目标动作，进行二次判别，在两层分类器，两次置信决策均拒绝的情况下，该测试样本特征将被认定为非目标动作，实用性强，值得推广。值得推广。值得推广。

【技术实现步骤摘要】
一种动作识别方法


[0001]本专利技术属于人机交互
，具体涉及一种动作识别方法。

技术介绍

[0002]近些年随着科学技术的进步，基于动作识别的人机交互也越来越多样化，其应用范围也越来越广泛。当前的人体动作识别系统虽然利用各种各种的特征提取算法及分类器算法已经取得了较高的识别正确率，但是仍然存在于一定的问题。首先，对于动作的识别准确率仍然具有上升的空间。其次，对于未在分类器中预定义的动作，仍然会将其强行分到预定义的类别中，识别为目标动作。此外，对于操作不规范的动作，也会有较大概率错误识别为其他动作。如果对该动作识别系统进行实际应用，则会存在对应用对象误操作的可能，导致意外的发生。

技术实现思路

[0003]有鉴于此，本专利技术提供了一种动作识别方法，以便解决上述提到的技术问题。
[0004]本专利技术的技术方案是：
[0005]一种动作识别方法，包括以下步骤：
[0006]对多个动作信号进行采集，作为原始输入集；
[0007]对原始输入集中的每个动作信号逐个进行活动段检测，获取有效的信号；
[0008]基于有效的信号进行特征提取，获取有效的样本特征集；
[0009]基于有效的样本特征集，构建多层动作识别模型；
[0010]采集待测试的动作信号，将待测试的动作信号送入构建好的多层动作识别模型，进行动作识别，并将识别的结果输出。
[0011]优选的，对动作信号进行采集，基于可穿戴设备的运动传感信号或者肌电信号。
[0012]优选的，基于有效的信号进行特征提取，获取有效的样本特征集包括以下步骤：
[0013]对每个动作的有效信号分窗进行特征提取，获取子特征，并将子特征进行组合，获得动作的有效样本特征集。
[0014]优选的，多层动作识别模型包括：k最邻近分类模型和高斯混合模型分类器，其中，k最邻近分类模型为第一决策层，高斯混合模型分类器为第二决策层。
[0015]优选的，所述k最邻近分类模型的构建包括以下步骤：
[0016]设训练样本特征集X为{(X1,Y1),(X2,Y2),...,(X
C
,Y
C
)}，其中C为定义的动作类别数目；c＝1，2，
…
，C为第c类手部动作；X
c
为第c类手部动作的信号特征集合；Y
c
为第c类手部动作的类别标签；
[0017]将训练样本特征集X按照样本的类别进行离线存储。
[0018]优选的，所述高斯混合模型分类器的构建包括以下步骤：
[0019]设训练样本特征集X为{(X1,Y1),(X2,Y2),...,(X
C
,Y
C
)}，其中C为定义的动作类别数目；c＝1，2，
…
，C为第c类手部动作；X
c
为第c类手部动作的信号特征集合；Y
c
为第c类手部
动作的类别标签；
[0020]对于C类手部动作，利用训练样本特征集X
c
＝{x1,x2,...,x
N
}，c＝1，2，
…
，C分别训练C个高斯混合模型分类器。
[0021]优选的，所述高斯混合模型分类器的训练方法如下：
[0022]1)利用第c类手部动作的信号特征集合Xc，对第c类动作的高斯混合模型分类器中的未知参数进行初值估计，初值估计方法包括以下步骤：
[0023]a)从第c类手部动作的信号特征集合X
c
中随机选择K个样本作为K个高斯分量的中心μ
k
(k＝1，2，
…
，K)；
[0024]b)利用式(1)依次取出第c类手部动作的信号特征集合X
c
中的每个样本x
i
(i＝1，2，..，N)，计算其与高斯分量的中心μ
k
(k＝1，2，
…
，K)的距离值，然后将计算出的N个距离值从大到小依次排序，选出最小的距离值，并将其标记为距离最近的分量；
[0025][0026]c)将每个高斯分量的中心μ
k
(k＝1，2，
…
，K)更新为属于该分量的所有样本的均值；
[0027]d)返回b)依次执行，直到满足迭代次数N
‑
1或者各样本聚类结果不再发生变化时，从而可以得到各个高斯分量的中心μ
k
；
[0028]e)利用式(2)计算协方差矩阵∑
k
，
[0029][0030]其中，
[0031]x
i
是第c类手部动作的信号特征集合X
c
中的每个样本；
[0032]μ
k
是高斯分量的中心；
[0033]N
k
是归入第k个高斯分量的样本个数；
[0034]f)利用式(3)计算各高斯分量的权重w
j
，
[0035][0036]其中，
[0037]w
j
为高斯分量的权重；
[0038]N为类别c的样本总量；
[0039]N
j
为隶属于第j个高斯分量的样本总量，满足
[0040]2)重新对第c类动作的高斯混合模型分类器中的未知参数进行估计，包括以下步骤：
[0041]对于第k个高斯分量，利用式(4)重新估计其权重π
k
，均值μ
k
和协方差估计∑
k
，
[0042][0043]其中，
[0044][0045]γ(i,k)是对于样本x
i
，它由第k个高斯分量生成的概率；
[0046]π
k
是权重，μ
k
是均值，∑
k
是协方差估计；
[0047]返回步骤2)继续执行直到达到最大迭代次数或误差小于预设阈值时停止，从而获得C个GMM分类器的参数；
[0048]3)按下式(5)计算第c类动作的高斯混合模型分类器的概率密度函数，
[0049][0050]其中，
[0051][0052]w
j
为第j个高斯分量的权重，满足
[0053]N(x
i
|μ
j
,∑
j
)为第j个高斯分量的概率密度函数；
[0054]K为高斯混合模型分类器中高斯分量的个数。
[0055]优选的，对待测试的动作信号进行动作识别，采用多层拒绝决策算法。
[0056]优选的，所述多层拒绝决策算法包括以下步骤：
[0057]3)k最邻近分类初判
[0058]对测试样本特征X
test
，分别计算与测试样本特征X
test
中M个数据点距离最近的训练样本的类别归属，并按下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动作识别方法，其特征在于，包括以下步骤：对多个动作信号进行采集，作为原始输入集；对原始输入集中的每个动作信号逐个进行活动段检测，获取有效的信号；基于有效的信号进行特征提取，获取有效的样本特征集；基于有效的样本特征集，构建多层动作识别模型；采集待测试的动作信号，将待测试的动作信号送入构建好的多层动作识别模型，进行动作识别，并将识别的结果输出。2.根据权利要求1所述的一种动作识别方法，其特征在于，对动作信号进行采集，基于可穿戴设备的运动传感信号或者肌电信号。3.根据权利要求1所述的一种动作识别方法，其特征在于，基于有效的信号进行特征提取，获取有效的样本特征集包括以下步骤：对每个动作的有效信号分窗进行特征提取，获取子特征，并将子特征进行组合，获得动作的有效样本特征集。4.根据权利要求1所述的一种动作识别方法，其特征在于，多层动作识别模型包括：k最邻近分类模型和高斯混合模型分类器，其中，k最邻近分类模型为第一决策层，高斯混合模型分类器为第二决策层。5.根据权利要求4所述的一种动作识别方法，其特征在于，所述k最邻近分类模型的构建包括以下步骤：设训练样本特征集X为{(X1,Y1),(X2,Y2),...,(X
C
,Y
C
)}，其中C为定义的动作类别数目；c＝1，2，
…
，C为第c类手部动作；X
c
为第c类手部动作的信号特征集合；Y
c
为第c类手部动作的类别标签；将训练样本特征集X按照样本的类别进行离线存储。6.根据权利要求4所述的一种动作识别方法，其特征在于，所述高斯混合模型分类器的构建包括以下步骤：设训练样本特征集X为{(X1,Y1),(X2,Y2),...,(X
C
,Y
C
)}，其中C为定义的动作类别数目；c＝1，2，
…
，C为第c类手部动作；X
c
为第c类手部动作的信号特征集合；Y
c
为第c类手部动作的类别标签；对于C类手部动作，利用训练样本特征集X
c
＝{x1,x2,...,x
N
}，c＝1，2，
…
，C分别训练C个高斯混合模型分类器。7.根据权利要求6所述的一种动作识别方法，其特征在于，所述高斯混合模型分类器的训练方法如下：1)利用第c类手部动作的信号特征集合Xc，对第c类动作的高斯混合模型分类器中的未知参数进行初值估计，初值估计方法包括以下步骤：a)从第c类手部动作的信号特征集合X
c
中随机选择K个样本作为K个高斯分量的中心μ
k
(k＝1，2，
…
，K)；b)利用式(1)依次取出第c类手部动作的信号特征集合X
c
中的每个样本x
i
(i＝1，2，..，N)，计算其与高斯分量的中心μ
k
(k＝1，2，
…
，K)的距离值，然后将计算出的N个距离值从大到小依次排序，选出最小的距离值，并将其标记为距离最近的分量；
c)将每个高斯分量的中心μ
k
(k＝1，2，
…
，K)更新为属于该分量的所有样本的均值；d)返回b)依次执行，直到满足迭代次数N
‑
1或者各样本聚类结果不再发生变化时，从而可以得到各个高斯分量的中心μ
k
；e)利用式(2)计算协方差矩阵∑
k
，其中，x
i
是第c类手部动作的信号特征集合X
c
中的每个样本；μ
k
是高斯分量的中心；N
k
是归入第k个高斯分量的样本个数；f)利用式(3)计算各高斯分量的权重w
j
，其中，w
j
为高斯分量的权重；N为类别c的样本总量；N
j
为隶属于第j个高斯分量的样本总量，满足2)重新对第c类动作的高斯混合模型分类器中的未知参数进行估计，包括以下步骤：对于第k个高...

【专利技术属性】
技术研发人员：周升丽，尹奎英，
申请(专利权)人：中国电子科技集团公司第十四研究所，
类型：发明
国别省市：