本發(fā)明涉及一種運動識別方法，特別涉及一種基于三軸加速度計的寵物運動識別方法。

背景技術(shù)：

隨著手機(jī)、平板等移動智能終端的普及，其中內(nèi)含的帶有加速度傳感器的移動智能設(shè)備在人們的生活中得到了非常廣泛的應(yīng)用，帶有加速度傳感器的移動智能設(shè)備可以方便地識別到人體的運動，對人體的運動識別是計算機(jī)視覺領(lǐng)域的一個熱點問題，在智能健康、人機(jī)交互以及視頻檢索等領(lǐng)域具有廣泛的應(yīng)用前景和潛在的經(jīng)濟(jì)價值。目前，隨著人體運動識別的興起，各式各樣的智能手表、手環(huán)層出不窮，可以對人的運動狀態(tài)進(jìn)行實時的識別，這也使得人們開始提高對自身的健康關(guān)注。與此同時，一些熱愛寵物的人士逐漸將注意力轉(zhuǎn)移到自家的寵物身上，希望找到針對寵物的運動識別及分析算法。而目前，對寵物運動識別算法的研究尚未成熟，處于起步階段。與人體運動識別相比，寵物運動識別具有傳感器佩戴困難、寵物運動變化快、寵物運動分類難等技術(shù)難點，有較大的應(yīng)用和研究價值。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種準(zhǔn)確性、魯棒性和實時性高的基于三軸加速度計的寵物運動識別方法。

本發(fā)明的目的通過下述技術(shù)方案實現(xiàn)：一種基于三軸加速度計的寵物運動識別方法，具體步驟如下：

S1、樣本預(yù)處理：對三軸加速度數(shù)據(jù)進(jìn)行滑動窗的加窗處理，以將連續(xù)的多個采樣點從數(shù)據(jù)流中截取出來，獲取到各個樣本，其中每個滑動窗的信號對應(yīng)一個樣本；

S2、樣本特征提取：將步驟S1中獲取到的各樣本對應(yīng)的三軸加速度信號的每一軸加速度信號進(jìn)行快速傅里葉變換蝶形算法，然后將每一軸加速度信號的傅里葉系數(shù)作為特征提取出來，構(gòu)成樣本特征；

S3、獲取訓(xùn)練樣本集：通過佩帶在寵物身上的三軸加速度計采集三軸加速度數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，將采集的三軸加速度數(shù)據(jù)經(jīng)過步驟S1處理后獲取到訓(xùn)練樣本集，然后通過步驟S2的方式提取訓(xùn)練樣本集中各訓(xùn)練樣本的樣本特征，并且通過視頻觀察方法人工為各訓(xùn)練樣本標(biāo)注其所屬運動類別；

S4、模型訓(xùn)練：將各訓(xùn)練樣本對應(yīng)的樣本特征作為隨機(jī)森林模型的輸入對隨機(jī)森林模型進(jìn)行訓(xùn)練，生成一個包含多棵決策樹的隨機(jī)森林模型；其中每棵決策樹均是通過隨機(jī)選擇訓(xùn)練樣本和訓(xùn)練樣本對應(yīng)的樣本特征并且利用信息增益率最大的方法訓(xùn)練得到的；

S5、運動識別，通過佩帶在寵物身上的三軸加速度計實時采集三軸加速度數(shù)據(jù)，將實時采集的三軸加速度數(shù)據(jù)經(jīng)過步驟S1處理后獲取到測試樣本，然后通過步驟S2的方式提取各測試樣本的樣本特征，最后將測試樣本的樣本特征輸入至隨機(jī)森林模型，隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策，最終確定測試樣本所屬運動類別。

優(yōu)選的，所述滑動窗的窗長為64，各個樣本包括三軸加速度數(shù)據(jù)的64個采樣點。

更進(jìn)一步的，滑動窗的窗移為32點。

更進(jìn)一步的，每個滑動窗所占的采樣時間為1.28秒。

更進(jìn)一步的，步驟S2中各樣本對應(yīng)的三軸加速度信號的每一軸加速度信號進(jìn)行64點快速傅里葉變換蝶形算法，得到的是三軸加速度信號各自的長度為64的傅里葉系數(shù)。

優(yōu)選的，所述步驟S4模型訓(xùn)練過程中，針對獲取到的訓(xùn)練樣本和訓(xùn)練樣本對應(yīng)的樣本特征，通過有放回的隨機(jī)選擇訓(xùn)練樣本以及無放回的隨機(jī)選擇訓(xùn)練樣本對應(yīng)的樣本特征，得到多組訓(xùn)練數(shù)據(jù)，針對每組訓(xùn)練數(shù)據(jù)通過信息增益率最大的方法建立決策樹。

更進(jìn)一步的，所述步驟S4模型訓(xùn)練過程中，針對獲取到的訓(xùn)練樣本和訓(xùn)練樣本對應(yīng)的樣本特征，通過有放回的隨機(jī)選擇訓(xùn)練樣本以及無放回的隨機(jī)選擇訓(xùn)練樣本對應(yīng)的樣本特征，得到20組訓(xùn)練數(shù)據(jù)，針對每組訓(xùn)練數(shù)據(jù)通過信息增益率最大的方法建立決策樹，獲取包含20棵決策樹的隨機(jī)森林模型。

優(yōu)選的，所述三軸加速度內(nèi)置于基于Android Wear操作系統(tǒng)的智能手表中，通過智能手表佩帶在寵物身上。

優(yōu)選的，隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策，多個決策樹通過投票方式確定測試樣本最終所屬運動類別。

本發(fā)明相對于現(xiàn)有技術(shù)具有如下的優(yōu)點及效果：

(1)本發(fā)明方法針對三軸加速度計獲取到的三軸加速度信號進(jìn)行滑動窗處理后分別獲取到訓(xùn)練樣本集以及測試樣本，針對于訓(xùn)練樣本集進(jìn)行快速傅里葉變換蝶形算法后獲取到樣本特征，并且通過視頻觀察方法人工為各訓(xùn)練樣本標(biāo)注其所屬運動類別，然后通過訓(xùn)練樣本訓(xùn)練隨機(jī)森林模型中決策樹，得到包含多棵決策樹的隨機(jī)森林模型，針對于需要測試寵物運動的測試樣本，經(jīng)過快速傅里葉變換蝶形算法后獲取到樣本特征，然后作為訓(xùn)練樣本集已訓(xùn)練后的隨機(jī)森林模型的輸入，隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策，最終確定出測試樣本所屬運動類別。本發(fā)明隨機(jī)森林模型通過多棵決策樹對測試樣本進(jìn)行分類，特別適用于多輸入特征的模式分類，在保證準(zhǔn)確率的同時不會產(chǎn)生過擬合的問題。本發(fā)明寵物運動識別方法具有準(zhǔn)確性、魯棒性和實時性高的優(yōu)點。

(2)本發(fā)明方法中隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策后，多個決策樹通過投票方式確定測試樣本最終所屬運動類別，進(jìn)一步提高了寵物運動類別識別的準(zhǔn)確性。

(3)本發(fā)明方法中通過滑動窗對三軸加速度信號進(jìn)行加窗處理，其中滑動窗選取64點為窗長，這個窗長使得50Hz采樣率下，每個滑動窗所占的時間僅為1.28s，在該時間長度下的滑動窗識別具有較高的實時性，能很好的適應(yīng)寵物運動動作靈敏的特點。另外，在50Hz的采樣率下，64點的滑動窗能包含三至四個運動周期，這不僅滿足Nyquist采樣定理，而且從滑動窗所包含的信號內(nèi)容上看完全可以用于運動識別。

(4)本發(fā)明采方法將快速傅里葉變換蝶形算法用于每個樣本的樣本特征提取，其中采用的快速傅里葉變換蝶形算法為64點的，由于64點滿足快速傅里葉變換蝶形算法對信號長度的要求，為2的整數(shù)次冪，不需要額外補(bǔ)零，保證了傅里葉系數(shù)和信號的真實對應(yīng)關(guān)系。傅里葉系數(shù)作為時間序列中的頻域特征，能夠很好的描述和表征不同的寵物運動模式，但是往往需要較多的運算量，若對長度為64的信號采用離散傅里葉變換算法，則需要4096(64*64)次乘法和4032(64*(64-1))，而本發(fā)明方法使用快速傅里葉變換蝶形算法，僅需要192(64*log2(64)/2)次乘法和384(64*log2(64))次加法，利用快速傅里葉變換蝶形算法計算長度為64的信號耗時不到1毫秒，對算法的實時性幾乎毫無影響，因此大大提高了本發(fā)明寵物運動識別方法的實時性。

附圖說明

圖1是本發(fā)明方法流程圖。

具體實施方式

下面結(jié)合實施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實施方式不限于此。

實施例

本實施例公開了一種基于三軸加速度計的寵物運動識別方法，如圖1所示，具體步驟如下：

S1、樣本預(yù)處理：對三軸加速度數(shù)據(jù)進(jìn)行滑動窗的加窗處理，以將連續(xù)的多個采樣點從數(shù)據(jù)流中截取出來，獲取到各個樣本，其中每個滑動窗的信號對應(yīng)一個樣本；

本實施例中三軸加速度內(nèi)置于基于Android Wear操作系統(tǒng)的智能手表中，通過加長智能手表表帶的方式固定在寵物身上。本實施例中滑動窗的窗長為64點，滑動窗的窗移為32點，即各個樣本包括三軸加速度數(shù)據(jù)的64個采樣點。當(dāng)采樣頻率為50Hz時，每個滑動窗所占的時間為1.28s。

S2、樣本特征提?。簩⒉襟ES1中獲取到的各樣本對應(yīng)的三軸加速度信號的每一軸加速度信號進(jìn)行快速傅里葉變換蝶形算法，然后將每一軸加速度信號的傅里葉系數(shù)作為特征提取出來，構(gòu)成樣本特征；其中每個樣本中包含一個長度為64個采樣點的信號，每個采樣點包含三個數(shù)值，分別代表三軸加速度計測量的三個軸的加速度分量大小，本實施例中各樣本對應(yīng)的三軸加速度信號的每一軸加速度信號進(jìn)行64點的快速傅里葉變換蝶形算法，提取每一軸加速度信號的傅里葉系數(shù)，得到每個樣本中三個軸各自的長度為64的傅里葉系數(shù)，將這些傅里葉系數(shù)作為樣本特征。

S3、獲取訓(xùn)練樣本集：通過佩帶在寵物身上的三軸加速度計采集三軸加速度數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，將采集的三軸加速度數(shù)據(jù)經(jīng)過步驟S1處理后獲取到訓(xùn)練樣本集，然后通過步驟S2的方式提取訓(xùn)練樣本集中各訓(xùn)練樣本的樣本特征，并且通過視頻觀察方法人工為各訓(xùn)練樣本標(biāo)注其所屬運動類別；

S4、模型訓(xùn)練：將各訓(xùn)練樣本對應(yīng)的樣本特征作為隨機(jī)森林模型的輸入對隨機(jī)森林模型進(jìn)行訓(xùn)練，生成一個包含多棵決策樹的隨機(jī)森林模型；其中每棵決策樹均是通過隨機(jī)選擇訓(xùn)練樣本和訓(xùn)練樣本對應(yīng)的樣本特征并且利用信息增益率最大的方法訓(xùn)練得到的。在本實施例中，針對獲取到的訓(xùn)練樣本和訓(xùn)練樣本對應(yīng)的樣本特征，通過有放回的隨機(jī)選擇訓(xùn)練樣本以及無放回的隨機(jī)選擇訓(xùn)練樣本對應(yīng)的樣本特征，得到20組訓(xùn)練數(shù)據(jù)，針對每組訓(xùn)練數(shù)據(jù)通過信息增益率最大的方法建立決策樹，從而獲取包含20棵決策樹的隨機(jī)森林模型。

S5、運動識別，通過佩帶在寵物身上的三軸加速度計實時采集三軸加速度數(shù)據(jù)，將實時采集的三軸加速度數(shù)據(jù)經(jīng)過步驟S1處理后獲取到測試樣本，然后通過步驟S2的方式提取各測試樣本的樣本特征，最后將測試樣本的樣本特征輸入至隨機(jī)森林模型，隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策，多個決策樹通過投票方式確定測試樣本最終所屬運動類別。

本實施例寵物運動識別方法三軸加速度計獲取到的三軸加速度信號進(jìn)行滑動窗處理后作為樣本，其中一個滑動窗的數(shù)據(jù)對應(yīng)一個樣本。訓(xùn)練樣本和測試樣本均通過以上方式獲取到。

針對于訓(xùn)練樣本集進(jìn)行快速傅里葉變換蝶形算法后獲取到樣本特征，并且通過視頻同步觀測寵物運動的方式，人工為每一個滑動窗內(nèi)的數(shù)據(jù)加入類別標(biāo)注，即通過視頻觀察方法人工為各訓(xùn)練樣本標(biāo)注上其所屬運動類別，然后通過訓(xùn)練樣本訓(xùn)練隨機(jī)森林模型中決策樹，得到包含多棵決策樹的訓(xùn)練好的隨機(jī)森林模型中。

針對于需要測試寵物運動的測試樣本，經(jīng)過快速傅里葉變換蝶形算法后獲取到樣本特征，然后作為訓(xùn)練好的隨機(jī)森林模型的輸入，隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策，最終通過投票的方式確定出測試樣本所屬運動類別。

本實施例隨機(jī)森林模型通過多棵決策樹對測試樣本進(jìn)行分類，特別適用于多輸入特征的模式分類，在保證準(zhǔn)確率的同時不會產(chǎn)生過擬合的問題，并且具有準(zhǔn)確性、魯棒性和實時性高的優(yōu)點。

本實施例上述方法的步驟S1中通過滑動窗對三軸加速度信號進(jìn)行加窗處理，其中滑動窗選取64點為窗長，這個窗長使得50Hz采樣率下，每個滑動窗所占的時間僅為1.28s，在該時間長度下的滑動窗識別具有較高的實時性，能很好的適應(yīng)寵物運動動作靈敏的特點。另外，在50Hz的采樣率下，64點的滑動窗能包含三至四個運動周期，這不僅滿足Nyquist采樣定理，而且從滑動窗所包含的信號內(nèi)容上看完全可以用于運動識別。

本發(fā)明上述方法的步驟S2中將快速傅里葉變換蝶形算法用于每個樣本的樣本特征提取，其中采用的快速傅里葉變換蝶形算法為64點的，由于64點滿足快速傅里葉變換蝶形算法對信號長度的要求，為2的整數(shù)次冪，不需要額外補(bǔ)零，保證了傅里葉系數(shù)和信號的真實對應(yīng)關(guān)系。傅里葉系數(shù)作為時間序列中的頻域特征，能夠很好的描述和表征不同的寵物運動模式，但是往往需要較多的運算量，若對長度為64的信號采用離散傅里葉變換算法，則需要4096(64*64)次乘法和4032(64*(64-1))，而本發(fā)明方法使用快速傅里葉變換蝶形算法，僅需要192(64*log2(64)/2)次乘法和384(64*log2(64))次加法，利用快速傅里葉變換蝶形算法計算長度為64的信號耗時不到1毫秒，對算法的實時性幾乎毫無影響，因此大大提高了本發(fā)明寵物運動識別方法的實時性。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。