一种行为识别模型构建方法及相应行为识别方法和系统技术方案

本发明专利技术公开了一种行为识别模型构建方法及相应行为识别方法和系统。本发明专利技术方法对于训练样本数据中的每个类别，形成以其作为正类别、其余类别作为反类别的一个超球面，通过训练得到的多个超球面对整个特征空间进行划分。本发明专利技术方法构建的行为识别模型具有对新增行为类别的检测能力，不仅具有和传统SVM相当的查全率而且还具有较高的查准率，即判断新增类别的精度较高。相比于CNN方法，本发明专利技术方法构建的行为识别模型架构更简单，实现复杂度低，识别精度高。别精度高。别精度高。

【技术实现步骤摘要】
一种行为识别模型构建方法及相应行为识别方法和系统


[0001]本专利技术属于机器学习和行为识别领域，具体涉及一种既可以对已知类别进行识别，又可对新增类别进行检测的行为识别方法及系统。

技术介绍

[0002]随着我国人口老龄化的快速发展，智能生活辅助技术备受关注。智能生活辅助技术的基础是人体行为识别，其贯穿于日常活动追踪、个人健康监护和辅助康复等各个方面。人体活动反映了人的身体状态和行为意图，人体日常活动方式包括步行、上下楼梯、平躺、站立等行为，人体行为识别旨在将个人日常活动进行识别分类，以便及时追踪和监测个体的状态。随着可穿戴传感技术的发展和成熟，基于传感器的方法最早应用于人体行为识别领域，相较于基于计算机视觉的方法，基于传感器的方法存在数据量小、推理简单以及成本低、可嵌入性强等优点，因此，在人体行为识别的研究和应用中占据一席之地。
[0003]对于人体行为识别技术而言，现有技术方案主要是通过如陀螺仪、雷达等传感器采集人体活动数据，将数据使用如CNN、PCA等方法进行特征提取，在处理后的特征空间中使用支持向量机(Support Vector Machine，SVM)、决策树等方法进行行为的分类。SVM是一种经典的机器学习分类算法，其在小样本数据分类上具有较强的竞争力。
[0004]以公开号为CN111062322A的中国专利技术专利申请“基于支持向量机SVM的相控阵雷达行为识别方法”为例，在该专利技术专利申请中，其首先生成相控阵雷达空域信号的数据集；然后对相控阵雷达数据的空域信号进行特征提取，并以特征向量的形式输出；再在特征空间标注信号的所属类别，制成训练集和测试集；然后构建相控阵雷达行为识别级联式SVM模型，并使用训练集对模型进行训练；最后将测试集输入训练好的模型，输出预测的行为类别。
[0005]传统SVM假设样本数据在特征空间是线性可分的，如图1所示，传统二分类SVM的目标可以描述为利用样本数据在特征空间中寻找一个线性超平面其中是线性超平面的法向量，b是偏移量，如果f(x
i
)>0则y
i
＝+1表示该样本数据属于正类别，如果f(x
i
)<0则y
i
＝
‑
1表示该样本数据属于反类别。这表明每一类别的样本数据在特征空间的分布是开放的，分布范围是发散的，例如两个在特征空间中相距很远的样本数据，只要保证位于线性超平面的同一侧，就归为同一类别。同类别样本数据在特征空间的开放分布导致任意样本数据均可以在已知类别的所属空间范围内找到位置，亦即任意样本数据均划分为已知类别。
[0006]但是，传统SVM没有对新增类别进行检测的能力，只能够识别训练样本中存在的类别。人体的活动方式多种多样，除前述列举的行为外，还有跑步、跌倒、坐下等。在人体行为识别的实际应用中，难以获取所有行为类别的数据进行训练，即训练样本只能被有限的行为类别覆盖。这意味着，如果出现一种不存在于训练样本中的行为类别，那么SVM分类器将无法识别该新增的类别，并且强行将该类别归于训练样本已知类别的某一种，这将严重降低人体行为识别系统整体的识别准确率。对于新增行为或无效的随机运动，更理想的处理
结果是输出一个新增类别来表示，由于无效行为和异常情况的存在，需要自动判断动作行为是否有效或正常。

技术实现思路

[0007]为了解决传统SVM分类器无法有效区分新增类别的问题，本专利技术将新增类别纳入考量，提出一种新的基于SVM的行为识别模型构建方法及相应行为识别方法和系统。
[0008]具体而言，一方面本专利技术提供了一种行为识别模型构建方法，其特征在于，包括以下步骤：
[0009]步骤(1)、选取训练样本数据中的任意一个类别样本作为正类别样本，其余类别样本作为反类别样本；
[0010]步骤(2)、将训练样本数据映射至第一高维特征空间；
[0011]步骤(3)、在所述第一高维特征空间中寻找一个超球面，使得所述超球面将训练样板数据中正类别样本和反类别样本彼此分开；
[0012]步骤(4)、重复所述步骤(1)
‑
(3)，对于训练样本数据中的每个类别，形成以其作为正类别、其余类别作为反类别的一个超球面。
[0013]在一种优选实现方式中，所述超球面的表达式为：
[0014]其中是超球面的球心，R是超球面的半径，如果f(x)<R表示该样本属于正类别，如果f(x)>R表示该样本属于反类别。
[0015]在另一种优选实现方式中，所述方法还包括按照下式对所述超球面进行求解：
[0016][0017]约束条件为:
[0018]其中C1和C2是经验系数，d相当于满足约束条件的样本数据离超球面的最小距离，M为样本数据的数量，ξ
i
为松弛变量。
[0019]在另一种优选实现方式中，对超球面的求解过程还包括对下述公式(3)求解：
[0020][0021]其中，α
i
≥0，μ
i
≥0是拉格朗日乘子，≥0是拉格朗日乘子，为核函数。
[0022]在另一种优选实现方式中，所述步骤(3)还包括若在所述第一高维特征空间内无法获得将所述正类别样本和反类别样本分离的超球面，则将训练样本数据映射至第二高维特征空间。
[0023]根据本专利技术的另一方面，提供一种基于上述方法构建的行为识别模型的行为识别方法，包括：将被测样本数据映射到所述第一高维特征空间，基于所述被测样本数据与各个超球面之间的包含关系，确定所述被测样本数据的类别。
[0024]在一种优选实现方式中，所述方法包括：若所述被测样本数据被映射至任意一个超球面内的预定范围，则该被测样本数据被分配至该超球面所对应的类别，否则，所述被测
样本数据被分配为新增类别。
[0025]根据本专利技术的另一方面，提供一种行为识别系统，其特征在于，包括：行为数据采集模块、特征提取模块以及行为识别模块，所述行为识别模块中集成有采用所述方法构建的行为识别模型。
[0026]根据本专利技术的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现所述的方法。
[0027]根据本专利技术的另一方面，提供一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述的方法。
[0028]本专利技术基于SVM的包含新增类别的行为识别方法有以下优点：
[0029](1)采用本专利技术的识别方法，由于利用了同类别的人体活动数据的可聚集性，更加符合人体活动数据的实际分布，因此本专利技术更贴近行为识别实际数据。
[0030](2)通过训练得到的多个超球面将整个特征空间进行划分，本专利技术提出的分类模型具有对新增行为类别的检测能力，不仅具有和传统SVM相当的查全率而且还具有较高的查准率，即判断新增类别的精度较高。
[0031](3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行为识别模型构建方法，其特征在于，包括以下步骤：步骤(1)、选取训练样本数据中的任意一个类别样本作为正类别样本，其余类别样本作为反类别样本；步骤(2)、将训练样本数据映射至第一高维特征空间；步骤(3)、在所述第一高维特征空间中寻找一个超球面，使得所述超球面将训练样板数据中正类别样本和反类别样本彼此分开；步骤(4)、重复所述步骤(1)
‑
(3)，对于训练样本数据中的每个类别，形成以其作为正类别、其余类别作为反类别的一个超球面。2.根据权利要求1所述的行为识别模型构建方法，其特征在于，所述超球面的表达式为：其中是超球面的球心，R是超球面的半径，如果f(x)<R表示该样本属于正类别，如果f(x)>R表示该样本属于反类别。3.根据权利要求1所述的行为识别模型构建方法，其特征在于，所述方法还包括按照下式对所述超球面进行求解：约束条件为:其中C1和C2是经验系数，d相当于满足约束条件的样本数据离超球面的最小距离，M为样本数据的数量，ξ
i
为松弛变量。4.根据权利要求3所述的行为识别模型构建方法，其特征在于，对超球面的求解过程还包括对下述公式(3)求解：其中，α
i
≥0，μ
i
≥0是拉格朗日乘子，≥0是拉格朗...

【专利技术属性】
技术研发人员：邢云冰，李嘉豪，陈益强，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：