【技术实现步骤摘要】
一种基于加速度计的人体行为识别方法
本专利技术涉及一种模式识别与人工智能技术,特别涉及一种基于加速度计的人体行为识别方法。
技术介绍
人类行为识别是一个复杂的问题,横跨很多学科,并且受到了工业信息化领域的极大关注。基本步骤包括感知信号的获取,信息处理和模式分类。最近几年,人们提出了很多有效的方法来自动识别人类行为。这些方法可以归为两类:一类是基于计算机视觉的,另一类是基于加速度传感器的。基于计算机视觉的人类行为分析系统不能很好地应用于工业环境,这是因为该类系统对于光照条件非常敏感。最近几年来基于加速度计的人类行为识别在工业环境中的应用受到越来越多的关注,它可以替代基于计算机视觉的人体行为识别系统。通过固定在人体上的加速度计上的加速度信号,我们可以很好地分析并区分人类的行为,例如走路、跑步和站立。通常的基于加速度计人体行为是一种监督学习方法,即通过学习人工标注数据,以获得人体行为识别模型,然后对新的数据进行自动人体行为识别。通常采集到的人体行为特征维数非常高,因此降维方法有助于识别性能的提高。传统的全局线性降维的方法主要是基于线性的,其中线性判别分析被广泛地应用在模式分类问题上。线性判别分析法主要通过全局最大化类间距离的同时使类内样本间距离最小,从而实现不同类别之间的可分性。但是,手工标定人体行为样本数据是费时费力的。采用线性判别分析模型进行训练需要人工大量的标注样本,这使得人体行为模型开发成本大量增加,需要人工大量的标注样本。因此,寻找一个需要标注少量样本即可得到满足要求的人体行为分类方法是非常必要的。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不 ...
【技术保护点】
一种基于加速度计的人体行为识别方法,包括以下步骤:1)收集人体行为样本作为训练集X,即:X=[x1,x2,…,xN]∈RD×N,样本维数为D,样本个数为N,每个样本有相应的类别标志Ci∈Zn;2)寻找基于加速度计的人体行为识别分类最优的投影矩阵U;3)通过对无标注数据Xu进行投影,即:Yu=UTXu;4)对Yu采用最小距离分类器分类,以获得人体行为识别的结果;其特征在于,所述寻找基于加速度计的人体行为识别分类最优的投影矩阵的方法包括以下步骤:步骤1:建立局部优化目标函数;步骤2:建立全局优化目标函数;步骤3:利用拉格朗日乘数法,投影矩阵U由式子XLXT的前d个最小特征值对应的d个特征向量得到。
【技术特征摘要】
1.一种基于加速度计的人体行为识别方法,包括以下步骤:1)收集人体行为样本作为训练集X,即:X=[x1,x2,…,xN]∈RD×N,样本维数为D,样本个数为N,每个样本有相应的类别标志Ci∈Zn;2)寻找基于加速度计的人体行为识别分类最优的投影矩阵U;3)通过对无标注数据Xu进行投影,即:Yu=UTXu;4)对Yu采用最小距离分类器分类,以获得人体行为识别的结果;其特征在于,所述寻找基于加速度计的人体行为识别分类最优的投影矩阵的方法包括以下步骤:步骤1:建立局部优化目标函数;步骤2:建立全局优化目标函数;步骤3:利用拉格朗日乘数法,投影矩阵U由式子XLXT的前d个最小特征值对应的d个特征向量得到;所述步骤1中,建立局部优化目标函数的方法为:对每一个已标注的样本xi,找到同类样本的k1近邻和不同类别样本的k2近邻来形成一个局部块,即另外,定义Rij为第j个样本相对第i个样本里的位置顺序;当时,满足不同类别样本距离足够大,同时,相同类样本位置顺序信息尽量保留;对类间样本距离建立(1)式:对类内样本的位置顺序信息建立(2)式:式中,(wi)j表示区别小距离和大距离之间的惩罚因子,当原始空间的距离小时,赋予低维子空间较大的权重,当距离大时,赋予较小的权重;所述惩罚因子定义为类-sigmoid函数,所述惩罚因子的表达式如下:式中,f(u|μ,σ)是均值为μ,标准差为σ的高斯概率密度函数,均值μ和标准差σ可以分别由以下两条公式估计得到:
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。