本發(fā)明涉及一種網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別是涉及一種人體活動識別方法及裝置。

背景技術(shù)：

隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，人體活動識別越來越重要。人體活動識別具有很廣泛的研究意義和價值，通過對人體活動的識別可以檢測人類的健康、運動訓(xùn)練狀態(tài)、預(yù)測人類的社會行為等等。

目前，可以通過多類分類器實現(xiàn)人體活動識別，具體是依據(jù)采集到的用戶活動狀態(tài)數(shù)據(jù)的數(shù)據(jù)特征，通過多類分類器將人體活動狀態(tài)劃分為不同類別的活動狀態(tài)。

然而，多類分類器在進(jìn)行多活動目標(biāo)識別時，數(shù)據(jù)特征提取過程復(fù)雜度較高，尤其在數(shù)據(jù)特征多、數(shù)據(jù)特征交叉等復(fù)雜情況下，數(shù)據(jù)特征提取會存在偏差，進(jìn)而無法識別得到用戶準(zhǔn)確的活動狀態(tài)，從而會影響人體活動識別的準(zhǔn)確性。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種人體活動識別方法及裝置，主要目的在于可以降低多活動目標(biāo)識別時特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動識別準(zhǔn)確率較低。

依據(jù)本發(fā)明一個方面，提供了一種人體活動識別方法，該方法包括：

當(dāng)接收到用戶活動狀態(tài)的識別指令時，獲取所述識別指令中攜帶的需要對待識別用戶進(jìn)行活動識別的識別目標(biāo)，以及獲取所述待識別用戶移動終端的終端數(shù)據(jù)；

確定與所述識別目標(biāo)對應(yīng)的分類模型組合流程，不同的識別目標(biāo)分別對應(yīng)不同的分類模型組合流程，所述分類模型組合流程中包含按照預(yù)定順序排列的一個或多個分類模型；

根據(jù)確定的所述分類模型組合流程和所述終端數(shù)據(jù)的數(shù)據(jù)特征，對所述待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，得到所述待識別用戶的活動狀態(tài)，其中，上一層級分類模型分類得到的活動狀態(tài)與下一層級分類模型分類可選的活動狀態(tài)之間具有上下位關(guān)系。

進(jìn)一步地，所述方法還包括：

獲取收集到的不同用戶移動終端的終端數(shù)據(jù)；

根據(jù)不同的活動狀態(tài)，提取所述終端數(shù)據(jù)中相應(yīng)的特征數(shù)據(jù)進(jìn)行訓(xùn)練，得到活動狀態(tài)對應(yīng)的分類模型；

所述確定與所述識別目標(biāo)對應(yīng)的分類模型組合流程，具體包括：

對所述識別目標(biāo)進(jìn)行解析，得到與所述識別目標(biāo)對應(yīng)的多個可選的活動狀態(tài)；

根據(jù)所述多個可選的活動狀態(tài)之間的上下位關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合，得到與所述識別目標(biāo)對應(yīng)的分類模型組合流程。

具體地，若所述識別目標(biāo)為所述用戶的基本活動識別，則所述根據(jù)確定的所述分類模型組合流程和所述終端數(shù)據(jù)的數(shù)據(jù)特征，對所述待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，具體包括：

從所述終端數(shù)據(jù)中提取所述待識別用戶移動終端的終端位置數(shù)據(jù)特征；

根據(jù)所述終端位置數(shù)據(jù)特征，通過基本活動識別的決策樹分類器對所述待識別用戶的活動狀態(tài)進(jìn)行分類；

若根據(jù)分類結(jié)果確定所述待識別用戶的基本活動狀態(tài)為步行活動狀態(tài)，則從所述終端數(shù)據(jù)中提取待識別用戶移動終端的加速計數(shù)據(jù)特征；

根據(jù)所述加速計數(shù)據(jù)特征，通過步行類別識別的支持向量機(jī)分類器對所述步行活動狀態(tài)進(jìn)行分類。

具體地，若根據(jù)分類結(jié)果確定所述待識別用戶的基本活動狀態(tài)為乘坐交通工具活動狀態(tài)、且所述識別目標(biāo)為所述待識別用戶乘坐的交通工具識別，則所述根據(jù)確定的所述分類模型組合流程和所述終端數(shù)據(jù)的數(shù)據(jù)特征，對所述待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，具體還包括：

從所述終端數(shù)據(jù)中提取待識別用戶移動終端的終端位置數(shù)據(jù)特征和終端信號數(shù)據(jù)特征，所述終端信號為終端通訊信號和/或終端網(wǎng)絡(luò)信號；

根據(jù)所述終端位置數(shù)據(jù)特征和所述終端信號數(shù)據(jù)特征，通過交通工具識別的決策樹分類器對所述乘坐交通工具活動狀態(tài)進(jìn)行分類；

若根據(jù)分類結(jié)果確定所述待識別用戶乘坐的交通工具為汽車，則從所述汽車在預(yù)定周期時間段內(nèi)的車輛運行數(shù)據(jù)中提取車輛運行數(shù)據(jù)特征；

根據(jù)所述車輛運行數(shù)據(jù)特征，通過車輛類型識別的決策樹分類器進(jìn)行分類得到所述汽車的車輛類型。

具體地，所述車輛運行數(shù)據(jù)特征包含活躍行駛范圍、行駛線路種類、每個預(yù)定時間間隔內(nèi)的車輛累計運行時長，所述活躍行駛范圍的確定方式包括：

通過預(yù)設(shè)DBSCAN密度聚類函數(shù)，對在所述預(yù)定周期時間段內(nèi)所述汽車的車輛位置數(shù)據(jù)進(jìn)行密度聚類，得到各個類簇；

將所述各個類簇中樣本點最多的類簇的中心點，確定為所述汽車的活躍中心點，并將所述樣本點最多的類簇中所有點到所述活躍中心點的距離最大值，確定為所述汽車的行駛活躍半徑；

根據(jù)所述活躍中心點和所述行駛活躍半徑，確定所述汽車的活躍行駛范圍。

進(jìn)一步地，若根據(jù)分類結(jié)果確定所述待識別用戶乘坐的交通工具為汽車、且所述識別目標(biāo)為所述待識別用戶的乘客身份識別，則所述根據(jù)確定的所述分類模型組合流程和所述終端數(shù)據(jù)的數(shù)據(jù)特征，對所述待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，具體還包括：

從所述終端數(shù)據(jù)中提取待識別用戶移動終端的加速計數(shù)據(jù)特征和陀螺儀數(shù)據(jù)特征；

根據(jù)所述加速計數(shù)據(jù)特征和所述陀螺儀數(shù)據(jù)特征，通過乘客身份識別的K最鄰近分類器進(jìn)行分類得到所述待識別用戶對應(yīng)的乘客身份。

依據(jù)本發(fā)明另一個方面，提供了一種人體活動識別裝置，該裝置包括：

獲取單元，用于當(dāng)接收到用戶活動狀態(tài)的識別指令時，獲取所述識別指令中攜帶的需要對待識別用戶進(jìn)行活動識別的識別目標(biāo)，以及獲取所述待識別用戶移動終端的終端數(shù)據(jù)；

確定單元，用于確定與所述獲取單元獲取的識別目標(biāo)對應(yīng)的分類模型組合流程，不同的識別目標(biāo)分別對應(yīng)不同的分類模型組合流程，所述分類模型組合流程中包含按照預(yù)定順序排列的一個或多個分類模型；

分類單元，用于根據(jù)所述確定單元確定的分類模型組合流程和所述獲取單元獲取的終端數(shù)據(jù)的數(shù)據(jù)特征，對所述待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，得到所述待識別用戶的活動狀態(tài)，其中，上一層級分類模型分類得到的活動狀態(tài)與下一層級分類模型分類可選的活動狀態(tài)之間具有上下位關(guān)系。

進(jìn)一步地，所述裝置還包括：訓(xùn)練單元；

所述獲取單元，用于獲取收集到的不同用戶移動終端的終端數(shù)據(jù)；

所述訓(xùn)練單元，用于根據(jù)不同的活動狀態(tài)，提取所述終端數(shù)據(jù)中相應(yīng)的特征數(shù)據(jù)進(jìn)行訓(xùn)練，得到活動狀態(tài)對應(yīng)的分類模型；

所述確定單元，具體用于對所述識別目標(biāo)進(jìn)行解析，得到與所述識別目標(biāo)對應(yīng)的多個可選的活動狀態(tài)；

根據(jù)所述多個可選的活動狀態(tài)之間的上下位關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合，得到與所述識別目標(biāo)對應(yīng)的分類模型組合流程。

具體地，所述分類單元，具體用于若所述識別目標(biāo)為所述待識別用戶的基本活動識別，則從所述終端數(shù)據(jù)中提取所述待識別用戶移動終端的終端位置數(shù)據(jù)特征；

根據(jù)所述終端位置數(shù)據(jù)特征，通過基本活動識別的決策樹分類器對所述待識別用戶的活動狀態(tài)進(jìn)行分類；

若根據(jù)分類結(jié)果確定所述待識別用戶的基本活動狀態(tài)為步行活動狀態(tài)，則從所述終端數(shù)據(jù)中提取待識別用戶移動終端的加速計數(shù)據(jù)特征；

根據(jù)所述加速計數(shù)據(jù)特征，通過步行類別識別的支持向量機(jī)分類器對所述步行活動狀態(tài)進(jìn)行分類。

所述分類單元，具體還用于若根據(jù)分類結(jié)果確定所述待識別用戶的基本活動狀態(tài)為乘坐交通工具活動狀態(tài)、且所述識別目標(biāo)為所述待識別用戶乘坐的交通工具識別，則從所述終端數(shù)據(jù)中提取待識別用戶移動終端的終端位置數(shù)據(jù)特征和終端信號數(shù)據(jù)特征，所述終端信號為終端通訊信號和/或終端網(wǎng)絡(luò)信號；

根據(jù)所述終端位置數(shù)據(jù)特征和所述終端信號數(shù)據(jù)特征，通過交通工具識別的決策樹分類器對所述乘坐交通工具活動狀態(tài)進(jìn)行分類；

若根據(jù)分類結(jié)果確定所述待識別用戶乘坐的交通工具為汽車，則從所述汽車在預(yù)定周期時間段內(nèi)的車輛運行數(shù)據(jù)中提取車輛運行數(shù)據(jù)特征；

根據(jù)所述車輛運行數(shù)據(jù)特征，通過車輛類型識別的決策樹分類器進(jìn)行分類得到所述汽車的車輛類型。

具體地，所述車輛運行數(shù)據(jù)特征包含活躍行駛范圍、行駛線路種類、每個預(yù)定時間間隔內(nèi)的車輛累計運行時長，所述確定單元，還用于通過預(yù)設(shè)DBSCAN密度聚類函數(shù)，對在所述預(yù)定周期時間段內(nèi)所述汽車的車輛位置數(shù)據(jù)進(jìn)行密度聚類，得到各個類簇；

將所述各個類簇中樣本點最多的類簇的中心點，確定為所述汽車的活躍中心點，并將所述樣本點最多的類簇中所有點到所述活躍中心點的距離最大值，確定為所述汽車的行駛活躍半徑；

根據(jù)所述活躍中心點和所述行駛活躍半徑，確定所述汽車的活躍行駛范圍。

進(jìn)一步地，所述分類單元，具體還用于若根據(jù)分類結(jié)果確定所述待識別用戶乘坐的交通工具為汽車、且所述識別目標(biāo)為所述待識別用戶的乘客身份識別，則從所述終端數(shù)據(jù)中提取待識別用戶移動終端的加速計數(shù)據(jù)特征和陀螺儀數(shù)據(jù)特征；

根據(jù)所述加速計數(shù)據(jù)特征和所述陀螺儀數(shù)據(jù)特征，通過乘客身份識別的K最鄰近分類器進(jìn)行分類得到所述待識別用戶對應(yīng)的乘客身份。

借由上述技術(shù)方案，本發(fā)明提供的一種人體活動識別方法及裝置，與目前通過多類分類器實現(xiàn)人體活動識別的方式相比，本發(fā)明在確定與需要對待識別用戶進(jìn)行活動識別的識別目標(biāo)對應(yīng)的分類模型組合流程后，根據(jù)該分類模型組合流程和待識別用戶移動終端的終端數(shù)據(jù)的數(shù)據(jù)特征，對待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，可以將分類任務(wù)分解為多級分類任務(wù)，并且上一層級分類模型分類得到的活動狀態(tài)與下一層級分類模型分類可選的活動狀態(tài)之間具有上下位關(guān)系，進(jìn)而可以將一些相似人體活動狀態(tài)先分類為一個統(tǒng)稱活動狀態(tài)，再對該統(tǒng)稱活動狀態(tài)進(jìn)行細(xì)分找到用戶實際的活動狀態(tài)，整個過程減少了每一層級分類的數(shù)據(jù)特征數(shù)和活動目標(biāo)數(shù)，避免在數(shù)據(jù)特征多、活動類別多、數(shù)據(jù)特征交叉等復(fù)雜情況進(jìn)行直接分類，可以降低多活動目標(biāo)識別時數(shù)據(jù)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動識別準(zhǔn)確率低，從而提高了人體活動識別的準(zhǔn)確性。

上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說明書的內(nèi)容予以實施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點能夠更明顯易懂，以下特舉本發(fā)明的具體實施方式。

附圖說明

通過閱讀下文優(yōu)選實施方式的詳細(xì)描述，各種其他的優(yōu)點和益處對于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實施方式的目的，而并不認(rèn)為是對本發(fā)明的限制。而且在整個附圖中，用相同的參考符號表示相同的部件。在附圖中：

圖1示出了本發(fā)明實施例提供的一種人體活動識別方法流程示意圖；

圖2示出了本發(fā)明實施例提供的一種活動狀態(tài)分類實例示意圖；

圖3示出了本發(fā)明實施例提供的另一種人體活動識別方法流程示意圖；

圖4示出了本發(fā)明實施例提供的一種所有活動識別的實例示意圖；

圖5示出了本發(fā)明實施例提供的五個分類模型實例示意圖；

圖6示出了本發(fā)明實施例提供的一種確定活躍行駛范圍的方法流程示意圖；

圖7示出了本發(fā)明實施例提供的一種確定車輛類型的方法流程示意圖；

圖8示出了本發(fā)明實施例提供的一種人體活動識別裝置結(jié)構(gòu)示意圖；

圖9示出了本發(fā)明實施例提供的另一種人體活動識別裝置結(jié)構(gòu)示意圖。

具體實施方式

下面將參照附圖更詳細(xì)地描述本公開的示例性實施例。雖然附圖中顯示了本公開的示例性實施例，然而應(yīng)當(dāng)理解，可以以各種形式實現(xiàn)本公開而不應(yīng)被這里闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，并且能夠?qū)⒈竟_的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

本發(fā)明實施例提供了一種人體活動識別方法，可以降低多活動目標(biāo)識別時特征選取的復(fù)雜度，可以提高人體活動識別的準(zhǔn)確性，如圖1所示，該方法包括：

101、當(dāng)接收到用戶活動狀態(tài)的識別指令時，獲取識別指令中攜帶的需要對待識別用戶進(jìn)行活動識別的識別目標(biāo)，以及獲取待識別用戶移動終端的終端數(shù)據(jù)。

其中，終端數(shù)據(jù)可以包含移動終端中全球定位系統(tǒng)(Global Positioning System，GPS)定位器采集的數(shù)據(jù)、以及各個傳感器采集的數(shù)據(jù)等。而識別目標(biāo)可以為基本人體活動的識別目標(biāo)，該目標(biāo)可以識別出待識別用戶的活動狀態(tài)具體是走路、跑步、乘坐交通工具等活動中的哪一個；識別目標(biāo)還可以為交通工具的識別目標(biāo)，該目標(biāo)可以識別出用戶乘坐的交通工具具體是飛機(jī)、高鐵、火車、汽車、地鐵等交通工具中的哪一個。需要說明的是，在本發(fā)明實施例中，對于待識別用戶可選的識別目標(biāo)，可以根據(jù)不同的實際需求進(jìn)行預(yù)先設(shè)定，以便滿足不同的用戶需求。

在本發(fā)明實施例中，可以通過采集移動終端的終端數(shù)據(jù)，對人體活動狀態(tài)進(jìn)行識別，其中，移動終端可以為智能手機(jī)、平板電腦、智能手表、智能手環(huán)等設(shè)備。目前移動終端中的軟硬件功能強大，移動終端中集成的傳感器種類繁多，包括陀螺儀傳感器、距離傳感器、燈光傳感器、磁力傳感器等。并且目前用戶對移動終端的依賴程度較高，用戶會經(jīng)常攜帶移動終端，因此，可以通過采集移動終端中這些傳感器收集到的數(shù)據(jù)進(jìn)行分析識別，識別出待識別用戶具體的活動狀態(tài)。而對于本發(fā)明實施例的執(zhí)行主體可以為用于根據(jù)采集到的待識別用戶移動終端的終端數(shù)據(jù)進(jìn)行人體活動識別的裝置，該裝置在接收到用戶活動狀態(tài)的識別指令時，可以對識別指令進(jìn)行解析，得到需要對待識別用戶進(jìn)行活動識別的識別目標(biāo)，以及根據(jù)識別指令獲取待識別用戶移動終端的終端數(shù)據(jù)。

102、確定與識別目標(biāo)對應(yīng)的分類模型組合流程。

其中，不同的識別目標(biāo)分別對應(yīng)不同的分類模型組合流程。分類模型組合流程中包含按照預(yù)定順序排列的一個或多個分類模型。在本發(fā)明實施例中，可以預(yù)先根據(jù)不同的活動狀態(tài)之間的上下位關(guān)系，將多個相似的活動狀態(tài)進(jìn)行合并和抽象處理，并且訓(xùn)練相應(yīng)的分類模型。例如，對于走路活動狀態(tài)和跑步活動狀態(tài)，可以合并抽象為步行活動狀態(tài)，而對于步行活動狀態(tài)，由于不同人跑步和走路狀態(tài)存在差異，需要大量的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，因此可以選用支持向量機(jī)分類器作為該步行活動狀態(tài)相應(yīng)的分類模型，并收集相應(yīng)的樣本數(shù)據(jù)對該分類模型進(jìn)行訓(xùn)練。

在對每個分類模型訓(xùn)練完畢后，可以得到不同層級關(guān)系的分類模型。例如，如圖2所示，通過分類模型1對用戶活動狀態(tài)進(jìn)行分類，可選的活動狀態(tài)有活動1、活動2、抽象活動，進(jìn)一步地，對這個抽象活動再進(jìn)行活動狀態(tài)分類時，可選的活動狀態(tài)有活動3和活動4，這里活動3和活動4可以認(rèn)為是兩個相似活動狀態(tài)，而抽象活動可以是由活動3和活動4合并抽象得到的統(tǒng)稱活動，由此分類模型1與分類模型2之間具有上下層級關(guān)系，分類模型1是分類模型2的上一層級的分類模型，這樣使得在每一層級分類時，減少需要提取的數(shù)據(jù)特征，避免數(shù)據(jù)特征提取偏差。

對于本發(fā)明實施例，可以根據(jù)具體的識別目標(biāo)和分類模型之間的層級關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合排序，得到與該識別目標(biāo)對應(yīng)的分類模型組合流程，以便根據(jù)該分類模型組合流程進(jìn)行人體活動識別。

103、根據(jù)確定的分類模型組合流程和終端數(shù)據(jù)的數(shù)據(jù)特征，對待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，得到待識別用戶的活動狀態(tài)。

其中，上一層級分類模型分類得到的活動狀態(tài)與下一層級分類模型分類可選的活動狀態(tài)之間具有上下位關(guān)系。例如，通過上一層級分類模型分類得到的活動狀態(tài)為步行活動狀態(tài)，而下一層級分類模型分類可選的活動狀態(tài)為走路活動狀態(tài)、跑步活動狀態(tài)，這里步行活動狀態(tài)與走路活動狀態(tài)、跑步活動狀態(tài)之間具有上下位關(guān)系。

例如，識別目標(biāo)是基本人體活動的識別目標(biāo)，根據(jù)與其對應(yīng)的分類模型組合流程，對待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類：首先從終端數(shù)據(jù)中提取全球定位系統(tǒng)數(shù)據(jù)的數(shù)據(jù)特征，該數(shù)據(jù)特征包括：移動速度最大值，根據(jù)該特征，通過分類模型1進(jìn)行分類，進(jìn)而確定待識別用戶當(dāng)前處于步行活動狀態(tài)，然后再從終端數(shù)據(jù)中提取加速計數(shù)據(jù)的數(shù)據(jù)特征，該數(shù)據(jù)特征包括：加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和，根據(jù)該特征，通過分類模型2進(jìn)行分類，最后確定待識別用戶當(dāng)前具體處于跑步活動狀態(tài)，與目前通過多類分類器直接根據(jù)提取的數(shù)據(jù)特征進(jìn)行分類的方式相比，可以確定待識別用戶實際是哪個基本人體活動狀態(tài)。

本發(fā)明實施例提供的一種人體活動識別方法，通過對待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，可以將分類任務(wù)分解為多級分類任務(wù)，并且上一層級分類模型分類得到的活動狀態(tài)與下一層級分類模型分類可選的活動狀態(tài)之間具有上下位關(guān)系，進(jìn)而可以將一些相似人體活動狀態(tài)先分類為一個統(tǒng)稱活動狀態(tài)，再對該統(tǒng)稱活動狀態(tài)進(jìn)行細(xì)分找到待識別用戶實際的活動狀態(tài)，整個過程減少了每一層級分類的數(shù)據(jù)特征數(shù)和活動目標(biāo)數(shù)，可以降低多活動目標(biāo)識別時數(shù)據(jù)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動識別準(zhǔn)確率低，從而提高了人體活動識別的準(zhǔn)確性。

為了更好的對上述圖1所示的方法進(jìn)行理解，作為對上述實施方式的細(xì)化和擴(kuò)展，本發(fā)明實施例提供了另一種人體活動識別方法，如圖3所示，該方法包括：

201、當(dāng)接收到用戶活動狀態(tài)的識別指令時，獲取識別指令中攜帶的需要對待識別用戶進(jìn)行活動識別的識別目標(biāo)，以及獲取待識別用戶移動終端的終端數(shù)據(jù)。

對于本發(fā)明實施例，可以根據(jù)實際需要選擇用戶活動狀態(tài)的識別目標(biāo)，即需要識別到哪一程度。例如，可以識別的活動狀態(tài)及其級別劃分如圖4所示，涵蓋了人們?nèi)粘Ｆ毡榈幕顒訝顟B(tài)(靜止、步行、乘交通工具)、角色(乘客或駕駛員)和常用的交通工具(飛機(jī)、高鐵、地鐵、火車、公交車、大客車、私家車、出租車)。具體可以分為四級分類，5個分類模型(①②③④⑤)，每一層級分類參考的數(shù)據(jù)特征存在差異。如圖4所示，根據(jù)實際需要可以選擇相應(yīng)的用戶活動狀態(tài)的識別目標(biāo)，如基本人體活動的識別、交通工具的識別、乘坐汽車時的角色識別、乘坐汽車時的車輛類型識別等識別目標(biāo)。

為了能夠?qū)τ脩艋顒訝顟B(tài)及時進(jìn)行識別，需要提前訓(xùn)練完畢相應(yīng)的分類模型，以便得到準(zhǔn)確的分類結(jié)果，因此，在步驟201之前，還包括：獲取收集到的不同用戶移動終端的終端數(shù)據(jù)；根據(jù)不同的活動狀態(tài)，提取終端數(shù)據(jù)中相應(yīng)的特征數(shù)據(jù)進(jìn)行訓(xùn)練，得到活動狀態(tài)對應(yīng)的分類模型。

例如，可以提前收集不同樣本用戶的移動終端的終端數(shù)據(jù)，提取相應(yīng)的特征數(shù)據(jù)訓(xùn)練分類模型，如圖4所示，每一級分類都可以選取最適宜、準(zhǔn)確度最高的分類模型，以便提高整體活動識別的準(zhǔn)確度，各級分類模型數(shù)據(jù)源和數(shù)據(jù)特征如圖5所示，每個分類模型具體如下：

對于分類模型①，該模型數(shù)據(jù)源是全球定位系統(tǒng)數(shù)據(jù)，參考的數(shù)據(jù)特征包括速度最大值，可以實現(xiàn)靜止?fàn)顟B(tài)、步行狀態(tài)、乘坐交通工具狀態(tài)的分類。由于該模型特征數(shù)據(jù)少，特征具有明顯的界限，可以選用決策樹分類器，使得分類模型執(zhí)行效率較高，并提取不同樣本用戶的終端數(shù)據(jù)的特征數(shù)據(jù)訓(xùn)練該分類模型，例如，提取不同樣本用戶分別處于靜止?fàn)顟B(tài)、步行狀態(tài)、乘坐交通工具狀態(tài)時的移動終端速度最大值的特征數(shù)據(jù)，根據(jù)該特征數(shù)據(jù)訓(xùn)練決策樹分類器，得到可以實現(xiàn)靜止?fàn)顟B(tài)、步行狀態(tài)、乘坐交通工具狀態(tài)分類的分類模型；

對于分類模型②，該模型數(shù)據(jù)源是加速計數(shù)據(jù)，參考的數(shù)據(jù)特征包括加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和，可以實現(xiàn)走路狀態(tài)、跑步狀態(tài)的分類。由于該模型屬于二分類模型，并且不同人跑步和走路狀態(tài)存在差異，因此該模型需要大量的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，所以選用支持向量機(jī)分類器，例如，提取不同樣本用戶分別處于走路狀態(tài)、跑步狀態(tài)時的移動終端加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和的特征數(shù)據(jù)，根據(jù)該特征數(shù)據(jù)訓(xùn)練支持向量機(jī)分類器，得到可以實現(xiàn)走路狀態(tài)、跑步狀態(tài)分類的分類模型；

對于分類模型③，該模型數(shù)據(jù)源是全球定位系統(tǒng)數(shù)據(jù)，參考的數(shù)據(jù)特征包括速度平均值、全球定位系統(tǒng)衛(wèi)星個數(shù)、終端信號強度平均值，可以實現(xiàn)飛機(jī)、高鐵、汽車、地鐵、火車等交通工具的識別，其中，該終端信號可以包含終端通訊信號和網(wǎng)絡(luò)信號等。由于該模型需要的訓(xùn)練數(shù)據(jù)少，選用決策樹分類器，使得模型訓(xùn)練和執(zhí)行效率較高，例如，可以提取不同樣本用戶分別乘坐飛機(jī)、高鐵、汽車、地鐵、火車等交通工具時的移動終端速度平均值、全球定位系統(tǒng)衛(wèi)星個數(shù)、終端信號強度平均值的特征數(shù)據(jù)，根據(jù)該特征數(shù)據(jù)訓(xùn)練決策樹分類器，得到可以實現(xiàn)飛機(jī)、高鐵、汽車、地鐵、火車等交通工具識別的分類模型；

對于分類模型④，該模型數(shù)據(jù)源是加速計數(shù)據(jù)、陀螺儀數(shù)據(jù)，參考的數(shù)據(jù)特征包括加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和、陀螺儀數(shù)據(jù)標(biāo)準(zhǔn)差，在駕駛員在駕駛過程中把移動終端放置在車內(nèi)、不隨身攜帶的前提下，通過分類模型④可以實現(xiàn)駕駛員、乘客的識別。由于駕駛員和乘客特征存在交叉，選用K最鄰近分類器，不僅可以實現(xiàn)狀態(tài)分類，還可以給出屬于某個類別的概率值，模型調(diào)用者可以結(jié)合類別和概率值進(jìn)行特性設(shè)計，例如，可以提取不同樣本用戶分別作為駕駛員、乘客時的移動終端加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和、陀螺儀數(shù)據(jù)標(biāo)準(zhǔn)差的特征數(shù)據(jù)，根據(jù)該特征數(shù)據(jù)訓(xùn)練K最鄰近分類器，得到可以實現(xiàn)駕駛員、乘客識別的分類模型；

對于分類模型⑤，該模型特征選取和分類過程不同于其他四個分類模型，因為乘客在乘坐私家車、公交車、大客車、出租車時終端采集的數(shù)據(jù)幾乎無差異，因此該模型基于各種車輛一定周期內(nèi)運行數(shù)據(jù)，對車輛的類型進(jìn)行分類，而車輛運行數(shù)據(jù)可以通過放置在車輛中特定終端收集，也可以通過用戶放置在車輛中的移動終端收集。根據(jù)用戶的移動終端數(shù)據(jù)，若檢測到同一時間段內(nèi)用戶的行進(jìn)路線與某一車輛的行進(jìn)路線相同，且行進(jìn)速度也保持一致，即乘客與某一車輛保持相對靜止，則說明該車輛的車輛類型即為該乘客乘坐車輛的車輛類型。該模型的數(shù)據(jù)源是車輛一定周期內(nèi)運行數(shù)據(jù)，參考的數(shù)據(jù)特征包括活躍行駛范圍、行駛線路種類、每個預(yù)定時間間隔內(nèi)的車輛累計運行時長，實現(xiàn)私家車、公交車、大客車、出租車等車輛類型的識別，由于該模型需要的訓(xùn)練特征數(shù)據(jù)少，選用決策樹分類器，使得模型訓(xùn)練和執(zhí)行效率較高，例如，可以提取不同樣本用戶分別乘坐私家車、公交車、大客車、出租車時移動終端采集的車輛一定周期內(nèi)的運行數(shù)據(jù)特征，根據(jù)該特征訓(xùn)練決策樹分類器，得到可以實現(xiàn)私家車、公交車、大客車、出租車識別的分類模型。其中，預(yù)定時間間隔可以根據(jù)實際需求進(jìn)行設(shè)定，如每個預(yù)定時間間隔可以為每個季度、每月、每半個月等，車輛累計運行時長可以為車輛累計駕駛時間；行駛線路種類包括將駕駛數(shù)據(jù)按行程劃分，行程是一次有起點和終點的駕駛?cè)蝿?wù)，具有相同起點和終點的線路可以認(rèn)為是一種線路；

而活躍行駛范圍可以為車輛常規(guī)的運行區(qū)域，首先需要排除車輛非經(jīng)常性運行區(qū)域?qū)钴S行駛范圍計算的影響，具體計算流程如圖6所示，包括：通過預(yù)設(shè)DBSCAN密度聚類函數(shù)，對在預(yù)定周期時間段內(nèi)汽車的車輛位置數(shù)據(jù)進(jìn)行密度聚類，得到各個類簇；將各個類簇中樣本點最多的類簇的中心點，確定為汽車的活躍中心點，并將樣本點最多的類簇中所有點到活躍中心點的距離最大值，確定為汽車的行駛活躍半徑；根據(jù)活躍中心點和行駛活躍半徑，確定汽車的活躍行駛范圍。其中，預(yù)設(shè)DBSCAN密度聚類函數(shù)可以根據(jù)DBSCAN密度聚類算法預(yù)先進(jìn)行編寫設(shè)置。具體地，活躍行駛范圍的計算基于車輛一定周期內(nèi)的位置數(shù)據(jù)，首先運用DBSCAN密度聚類算法對位置數(shù)據(jù)進(jìn)行聚類，排除非經(jīng)常運行線路位置對計算結(jié)果的影響。與K-means方法相比，DBSCAN密度聚類算法不需要事先知道需要形成的類簇數(shù)量，可以發(fā)現(xiàn)任意形狀的簇類，能夠識別出噪聲點。聚類后得到的樣本點最多的類簇是車輛經(jīng)常的運行區(qū)域。類簇的中心點是車輛的活躍中心，活躍中心的計算方法是所有點經(jīng)緯度的均值的位置，而活動半徑是類簇中所有點到中心點的距離最大值。

需要說明的是，如果得到的分類模型分類的準(zhǔn)確性不理想，可以通過增加數(shù)據(jù)源、特征類型、優(yōu)化分類模型的方式提升分類模型的分類準(zhǔn)確性。

202、確定與識別目標(biāo)對應(yīng)的分類模型組合流程。

步驟202具體包括：對識別目標(biāo)進(jìn)行解析，得到與識別目標(biāo)對應(yīng)的多個可選的活動狀態(tài)；根據(jù)多個可選的活動狀態(tài)之間的上下位關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合，得到與識別目標(biāo)對應(yīng)的分類模型組合流程。

例如，如圖4所示，當(dāng)識別目標(biāo)為基本人體活動的識別1(靜止、步行、乘坐交通工具)時，與該目標(biāo)對應(yīng)的分類模型組合流程為分類模型①；當(dāng)識別目標(biāo)為基本人體活動的識別2(靜止、走路、跑步、乘坐交通工具)時，與該目標(biāo)對應(yīng)的分類模型組合流程為分類模型①→②；當(dāng)識別目標(biāo)為交通工具的識別1(飛機(jī)、高鐵、火車、汽車、地鐵)時，與該目標(biāo)對應(yīng)的分類模型組合流程為分類模型①→③；當(dāng)識別目標(biāo)為交通工具的識別2(飛機(jī)、高鐵、火車、汽車、地鐵、出租車、私家車、大客車、公交車)時，與該目標(biāo)對應(yīng)的分類模型組合流程為分類模型①→③→④→⑤；當(dāng)識別目標(biāo)為乘客識別時，與該目標(biāo)對應(yīng)的分類模型組合流程為分類模型①→③→④；當(dāng)識別目標(biāo)為所有活動識別時，①→②→③→④→⑤。因此，可以實現(xiàn)的識別目標(biāo)和分類模型組合流程如表1所示：

表1

對于本發(fā)明實施例，可以實現(xiàn)多目標(biāo)人體活動識別，可以滿足不同的用戶需求，而為了說明本發(fā)明實施例的人體活動識別方法，以識別目標(biāo)為所有活動的識別為例，依次執(zhí)行以下步驟。

203、從終端數(shù)據(jù)中提取待識別用戶移動終端的終端位置數(shù)據(jù)特征。

其中，終端位置數(shù)據(jù)特征包括移動速度最大值。

在本發(fā)明實施例中，用戶身上攜帶移動終端，通過移動終端不同時刻的終端位置數(shù)據(jù)可以確定移動終端的移動速度最大值，進(jìn)而確定用戶的移動速度最大值。

204、根據(jù)終端位置數(shù)據(jù)特征，通過基本活動識別的決策樹分類器對待識別用戶的活動狀態(tài)進(jìn)行分類。

例如，根據(jù)移動終端在一定時間段內(nèi)的GPS數(shù)據(jù)，計算待識別用戶的移動速度最大值，然后將待識別用戶的移動速度最大值帶入到基本活動識別的決策樹分類器，即步驟201中的分類模型①中，確定該移動速度最大值屬于靜止?fàn)顟B(tài)、步行狀態(tài)、乘坐交通工具狀態(tài)中的哪一個速度最大值范圍內(nèi)，進(jìn)而可以實現(xiàn)靜止?fàn)顟B(tài)、步行狀態(tài)、乘坐交通工具狀態(tài)的分類，通過基本活動識別的決策樹分類器進(jìn)行分類可以提高執(zhí)行效率，當(dāng)檢測出待識別用戶的活動狀態(tài)為靜止?fàn)顟B(tài)時，可以從該用戶的移動終端數(shù)據(jù)中提取其他的特定數(shù)據(jù)特征，用于進(jìn)一步地檢測該用戶具體的活動狀態(tài)是吃飯、睡覺、做運動等活動中的哪一個活動狀態(tài)，需要說明的是，此時移動終端為待識別用戶隨身佩帶的終端設(shè)備，具體可以為智能手表、智能手環(huán)等。

205a、若根據(jù)分類結(jié)果確定待識別用戶的基本活動狀態(tài)為步行活動狀態(tài)，則從終端數(shù)據(jù)中提取待識別用戶移動終端的加速計數(shù)據(jù)特征。

其中，加速計數(shù)據(jù)特征包括加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和。

206a、根據(jù)加速計數(shù)據(jù)特征，通過步行類別識別的支持向量機(jī)分類器對步行活動狀態(tài)進(jìn)行分類。

例如，將待識別用戶移動終端的加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和這些數(shù)據(jù)特征帶入到步行類別識別的支持向量機(jī)分類器，即步驟201中的分類模型中②，計算得到這些數(shù)據(jù)特征屬于走路狀態(tài)、跑步狀態(tài)中的哪一個數(shù)據(jù)特征范圍內(nèi)，進(jìn)而可以實現(xiàn)走路狀態(tài)和跑步狀態(tài)的分類。若根據(jù)分類結(jié)果確定待識別用戶的活動狀態(tài)為走路狀態(tài)，并且待識別用戶的移動平均速度接近于跑步平均速度，那么可以進(jìn)一步確定該用戶處于競走狀態(tài)。

與步驟205a并列的步驟205b、若根據(jù)分類結(jié)果確定待識別用戶的基本活動狀態(tài)為乘坐交通工具活動狀態(tài)，則從終端數(shù)據(jù)中提取待識別用戶移動終端的終端位置數(shù)據(jù)特征和終端信號數(shù)據(jù)特征。

其中，終端位置數(shù)據(jù)特征包括移動速度平均值、全球定位系統(tǒng)衛(wèi)星個數(shù)，終端信號數(shù)據(jù)特征包括終端信號強度平均值，該終端信號可以為終端通訊信號和/或網(wǎng)絡(luò)信號。

206b、根據(jù)終端位置數(shù)據(jù)特征和終端信號數(shù)據(jù)特征，通過交通工具識別的決策樹分類器對乘坐交通工具活動狀態(tài)進(jìn)行分類。

例如，將待識別用戶移動終端的移動速度平均值、全球定位系統(tǒng)衛(wèi)星個數(shù)、終端信號強度平均值這些數(shù)據(jù)特征帶入到交通工具識別的決策樹分類器，即步驟201中的分類模型③中，計算得到這些數(shù)據(jù)特征屬于飛機(jī)、高鐵、汽車、地鐵、火車等中的哪一個數(shù)據(jù)特征范圍內(nèi)，進(jìn)而可以實現(xiàn)飛機(jī)、高鐵、汽車、地鐵、火車等交通工具的識別，通過交通工具識別的決策樹分類器進(jìn)行分類可以提高執(zhí)行效率。若根據(jù)分類結(jié)果確定待識別用戶乘坐的交通工具為飛機(jī)，進(jìn)一步地，還可以結(jié)合該用戶終端位置的變化，確定飛行航線，查找此時相應(yīng)的航班班次，進(jìn)而確定該用戶此時正在乘坐哪一架航班的飛機(jī)；同理，若確定待識別用戶乘坐的交通工具為高鐵、火車中的一種，進(jìn)一步還可以結(jié)合該用戶終端位置的變化，確定行駛路線，并最終確定該用戶此時正在乘坐哪一趟列車；若根據(jù)分類結(jié)果確定待識別用戶乘坐的交通工具為地鐵，進(jìn)一步還可以結(jié)合該用戶終端位置，以及終端位置的變化，確定該用戶在哪個城市坐地鐵，并且坐的是幾號線路，以及地鐵行駛方向等。

207b、若根據(jù)分類結(jié)果確定待識別用戶乘坐的交通工具為汽車，則從終端數(shù)據(jù)中提取用戶移動終端的加速計數(shù)據(jù)特征和陀螺儀數(shù)據(jù)特征。

其中，加速計數(shù)據(jù)特征包括加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和，而陀螺儀數(shù)據(jù)特征包括陀螺儀數(shù)據(jù)標(biāo)準(zhǔn)差。

208b、根據(jù)加速計數(shù)據(jù)特征和陀螺儀數(shù)據(jù)特征，通過乘客身份識別的K最鄰近分類器進(jìn)行分類得到用戶對應(yīng)的乘客身份。

例如，在駕駛員在駕駛過程中把移動終端放置在車內(nèi)、不隨身攜帶的前提下，將待識別用戶移動終端的加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和、陀螺儀數(shù)據(jù)標(biāo)準(zhǔn)差帶入到乘客身份識別的K最鄰近分類器，即步驟201中的分類模型④中，計算得到這些數(shù)據(jù)特征屬于駕駛員、乘客中的哪一個數(shù)據(jù)特征范圍內(nèi)，進(jìn)而可以實現(xiàn)駕駛員、乘客的識別。并且由于駕駛員和乘客特征存在交叉，選用乘客身份識別的K最鄰近分類器，不僅可以實現(xiàn)狀態(tài)分類，還可以給出屬于某個類別的概率值。

在待識別用戶確定乘客身份之后，還可以進(jìn)一步確定該用戶此時乘坐汽車的車輛類型，即執(zhí)行步驟209b。

209b、從汽車在預(yù)定周期時間段內(nèi)的車輛運行數(shù)據(jù)中提取車輛運行數(shù)據(jù)特征。

其中，車輛運行數(shù)據(jù)特征包含活躍行駛范圍、行駛線路種類、每個預(yù)定時間間隔內(nèi)的車輛累計運行時長。預(yù)定周期時間段可以根據(jù)實際需求進(jìn)行選擇配置。例如，預(yù)定周期時間段可以為車輛類型識別的決策樹分類器的訓(xùn)練數(shù)據(jù)對應(yīng)的時間段。

210b、根據(jù)車輛運行數(shù)據(jù)特征，通過車輛類型識別的決策樹分類器進(jìn)行分類得到汽車的車輛類型。

對于本發(fā)明實施例，對車輛類型的識別需要參考該車輛一定周期內(nèi)運行的數(shù)據(jù)，具體的識別流程可以參考圖7，首先根據(jù)待識別用戶的移動終端數(shù)據(jù)進(jìn)行檢測，若檢測到同一時間段內(nèi)待識別用戶的行進(jìn)路線與某一車輛的行進(jìn)路線相同，且行進(jìn)速度也保持一致，即乘客與某一車輛保持相對靜止，則說明該車輛的車輛類型即為該乘客乘坐車輛的車輛類型，然后根據(jù)該車輛的在一定周期內(nèi)運行的數(shù)據(jù)，通過車輛類型識別的決策樹分類器進(jìn)行分類，其中，該車輛在一定周期內(nèi)運行的數(shù)據(jù)可以通過放置在車輛中特定終端收集，也可以通過用戶放置在車輛中的移動終端收集。

例如，將待識別車輛的活躍行駛范圍、行駛線路種類、每個預(yù)定時間間隔內(nèi)的車輛累計運行時長這些數(shù)據(jù)特征帶入到車輛類型識別的決策樹分類器，即步驟201中的分類模型⑤中，計算得到這些數(shù)據(jù)特征屬于私家車、公交車、大客車、出租車等中的哪一個數(shù)據(jù)特征范圍內(nèi)，進(jìn)而可以實現(xiàn)私家車、公交車、大客車、出租車等車輛類型的識別。

對于本發(fā)明實施例的具體應(yīng)用場景可以如下所示，但不限于此，包括：

根據(jù)本發(fā)明實施例提供的人體活動識別方法，在用戶移動終端中配置相應(yīng)的客戶端應(yīng)用，通過該客戶端應(yīng)用可以監(jiān)測用戶每一天內(nèi)所經(jīng)歷的各個活動狀態(tài)，幫助用戶可以更好的了解自身的健康狀況。具體地，當(dāng)該客戶端應(yīng)用需要對待識別用戶進(jìn)行活動狀態(tài)識別時，可以首先默認(rèn)設(shè)置相應(yīng)的識別目標(biāo)為基本活動識別目標(biāo)，根據(jù)待識別用戶移動終端當(dāng)前采集到的一定時間段內(nèi)的GPS數(shù)據(jù)，計算待識別用戶的移動速度最大值，然后將待識別用戶的移動速度最大值帶入到基本活動識別的決策樹分類器中進(jìn)行計算分類，根據(jù)分類結(jié)果和當(dāng)前所屬的時間段，記錄該待識別用戶的活動狀態(tài)。若待識別用戶的活動狀態(tài)為步行狀態(tài)或乘坐交通工具狀態(tài)，還可以進(jìn)一步設(shè)置新的識別目標(biāo)并提取待識別用戶移動終端新的特征數(shù)據(jù)，再進(jìn)行更細(xì)粒度的待識別用戶的活動狀態(tài)識別，進(jìn)而可以識別出待識別用戶的活動狀態(tài)是否為走路狀態(tài)或跑步狀態(tài)、又或者為乘坐‘飛機(jī)、高鐵、汽車、地鐵、火車’等中的哪一個交通工具，最后根據(jù)識別結(jié)果和當(dāng)前所屬的時間段，記錄該待識別用戶的活動狀態(tài)，以便用戶了解一天中自身所經(jīng)歷了哪些活動狀態(tài)，每一種活動狀態(tài)都經(jīng)歷了多長時間。

本發(fā)明實施例提供的另一種人體活動識別方法，可以實現(xiàn)多目標(biāo)人體活動識別，通過對待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，可以將分類任務(wù)分解為多級分類任務(wù)，整個過程減少了每一層級分類的數(shù)據(jù)特征數(shù)和活動目標(biāo)數(shù)，同時每一級分類可以選取最適宜、準(zhǔn)確度最高的分類方法，可以降低多活動目標(biāo)識別時數(shù)據(jù)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動識別準(zhǔn)確率低，從而提高了人體活動識別的準(zhǔn)確性。

進(jìn)一步地，作為圖1所述方法的具體實現(xiàn)，本發(fā)明實施例提供了一種人體活動識別裝置，如圖8所示，所述裝置包括：獲取單元31、確定單元32、分類單元33。

獲取單元31，可以用于當(dāng)接收到用戶活動狀態(tài)的識別指令時，獲取所述識別指令中攜帶的需要對待識別用戶進(jìn)行活動識別的識別目標(biāo)，以及獲取所述待識別用戶移動終端的終端數(shù)據(jù)。獲取單元31可以為本裝置中獲取終端數(shù)據(jù)以及識別目標(biāo)的主要功能模塊，并觸發(fā)確定單元32進(jìn)行工作，其中，識別目標(biāo)可以為基本人體活動的識別目標(biāo)、交通工具的識別目標(biāo)等。

確定單元32，可以用于確定與所述獲取單元31獲取的識別目標(biāo)對應(yīng)的分類模型組合流程，不同的識別目標(biāo)分別對應(yīng)不同的分類模型組合流程，所述分類模型組合流程中包含按照預(yù)定順序排列的一個或多個分類模型。確定單元32為本裝置中確定分類模型組合流程的主要功能模塊，對于本發(fā)明實施例，可以根據(jù)具體的識別目標(biāo)和分類模型之間的層級關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合排序，得到與該識別目標(biāo)對應(yīng)的分類模型組合流程，以便根據(jù)該分類模型組合流程進(jìn)行人體活動識別。

分類單元33，可以用于根據(jù)所述確定單元32確定的分類模型組合流程和所述獲取單元獲取的終端數(shù)據(jù)的數(shù)據(jù)特征，對所述待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，得到所述待識別用戶的活動狀態(tài)，其中，上一層級分類模型分類得到的活動狀態(tài)與下一層級分類模型分類可選的活動狀態(tài)之間具有上下位關(guān)系。例如，通過上一層級分類模型分類得到的活動狀態(tài)為乘交通工具活動狀態(tài)，而下一層級分類模型分類可選的活動狀態(tài)為乘飛機(jī)活動狀態(tài)、乘高鐵活動狀態(tài)、乘汽車活動狀態(tài)、乘地鐵活動狀態(tài)、乘火車活動狀態(tài)，這里乘交通工具活動狀態(tài)與乘飛機(jī)活動狀態(tài)、乘高鐵活動狀態(tài)、乘汽車活動狀態(tài)、乘地鐵活動狀態(tài)、乘火車活動狀態(tài)之間具有上下位關(guān)系。

需要說明的是，本發(fā)明實施例提供的一種人體活動識別裝置所涉及各功能單元的其他相應(yīng)描述，可以參考圖1中的對應(yīng)描述，在此不再贅述。

本發(fā)明實施例提供的一種人體活動識別裝置，包括：獲取單元、確定單元、分類單元，與目前通過多類分類器實現(xiàn)人體活動識別的方式相比，在確定單元確定與需要對待識別用戶進(jìn)行活動識別的識別目標(biāo)對應(yīng)的分類模型組合流程后，分類單元根據(jù)該分類模型組合流程和獲取單元獲取的待識別用戶移動終端的終端數(shù)據(jù)的數(shù)據(jù)特征，通過對待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，可以將分類任務(wù)分解為多級分類任務(wù)，并且上一層級分類模型分類得到的活動狀態(tài)與下一層級分類模型分類可選的活動狀態(tài)之間具有上下位關(guān)系，進(jìn)而可以將一些相似人體活動狀態(tài)先分類為一個統(tǒng)稱活動狀態(tài)，再對該統(tǒng)稱活動狀態(tài)進(jìn)行細(xì)分找到用戶實際的活動狀態(tài)，整個過程減少了每一層級分類的數(shù)據(jù)特征數(shù)和活動目標(biāo)數(shù)，可以降低多活動目標(biāo)識別時數(shù)據(jù)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動識別準(zhǔn)確率低，從而提高了人體活動識別的準(zhǔn)確性。

進(jìn)一步地，作為圖3所述方法的具體實現(xiàn)，本發(fā)明實施例提供了另一種人體活動識別裝置，如圖9所示，所述裝置包括：獲取單元41、確定單元42、分類單元43。

獲取單元41，可以用于當(dāng)接收到用戶活動狀態(tài)的識別指令時，獲取所述識別指令中攜帶的需要對待識別用戶進(jìn)行活動識別的識別目標(biāo)，以及獲取所述待識別用戶移動終端的終端數(shù)據(jù)。

確定單元42，可以用于確定與所述獲取單元41獲取的識別目標(biāo)對應(yīng)的分類模型組合流程，不同的識別目標(biāo)分別對應(yīng)不同的分類模型組合流程，所述分類模型組合流程中包含按照預(yù)定順序排列的一個或多個分類模型。

分類單元43，可以用于根據(jù)所述確定單元42確定的分類模型組合流程和所述獲取單元獲取的終端數(shù)據(jù)的數(shù)據(jù)特征，對所述待識別用戶的活動狀態(tài)進(jìn)行逐層多級分類，得到所述待識別用戶的活動狀態(tài)，其中，上一層級分類模型分類得到的活動狀態(tài)與下一層級分類模型分類可選的活動狀態(tài)之間具有上下位關(guān)系。

為了能夠?qū)ΥR別用戶活動狀態(tài)及時進(jìn)行識別，需要提前訓(xùn)練完畢相應(yīng)的分類模型，以便得到準(zhǔn)確的分類結(jié)果，進(jìn)一步地，所述裝置還包括：訓(xùn)練單元44。

所述獲取單元41，可以用于獲取收集到的不同用戶移動終端的終端數(shù)據(jù)。

所述訓(xùn)練單元44，可以用于根據(jù)不同的活動狀態(tài)，提取所述終端數(shù)據(jù)中相應(yīng)的特征數(shù)據(jù)進(jìn)行訓(xùn)練，得到活動狀態(tài)對應(yīng)的分類模型。

所述確定單元42，具體可以用于對所述識別目標(biāo)進(jìn)行解析，得到與所述識別目標(biāo)對應(yīng)的多個可選的活動狀態(tài)；根據(jù)所述多個可選的活動狀態(tài)之間的上下位關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合，得到與所述識別目標(biāo)對應(yīng)的分類模型組合流程。對于本發(fā)明實施例，可以實現(xiàn)多目標(biāo)人體活動識別，可以滿足不同的用戶需求。

所述分類單元43，具體可以用于若所述識別目標(biāo)為所述待識別用戶的基本活動識別，則從所述終端數(shù)據(jù)中提取所述待識別用戶移動終端的終端位置數(shù)據(jù)特征；根據(jù)所述終端位置數(shù)據(jù)特征，通過基本活動識別的決策樹分類器對所述待識別用戶的活動狀態(tài)進(jìn)行分類，可以使得執(zhí)行效率較高；若根據(jù)分類結(jié)果確定所述待識別用戶的基本活動狀態(tài)為步行活動狀態(tài)，則從所述終端數(shù)據(jù)中提取待識別用戶移動終端的加速計數(shù)據(jù)特征；根據(jù)所述加速計數(shù)據(jù)特征，通過步行類別識別的支持向量機(jī)分類器對所述步行活動狀態(tài)進(jìn)行分類。

所述分類單元43，具體還可以用于若根據(jù)分類結(jié)果確定所述待識別用戶的基本活動狀態(tài)為乘坐交通工具活動狀態(tài)、且所述識別目標(biāo)為所述待識別用戶乘坐的交通工具識別，則從所述終端數(shù)據(jù)中提取待識別用戶移動終端的終端位置數(shù)據(jù)特征和終端信號數(shù)據(jù)特征；根據(jù)所述終端位置數(shù)據(jù)特征和所述終端信號數(shù)據(jù)特征，通過交通工具識別的決策樹分類器對所述乘坐交通工具活動狀態(tài)進(jìn)行分類；若根據(jù)分類結(jié)果確定所述待識別用戶乘坐的交通工具為汽車，則從所述用戶移動終端的歷史終端數(shù)據(jù)中提取所述汽車在預(yù)定周期時間段內(nèi)的車輛運行數(shù)據(jù)特征；根據(jù)所述車輛運行數(shù)據(jù)特征，通過車輛類型識別的決策樹分類器進(jìn)行分類得到所述汽車的車輛類型。

可選地，車輛運行數(shù)據(jù)特征包含活躍行駛范圍、行駛線路種類、每個預(yù)定時間間隔內(nèi)的車輛累計運行時長。其中，預(yù)定時間間隔可以根據(jù)實際需求進(jìn)行設(shè)定，如每個預(yù)定時間間隔可以為每個季度、每月、每半個月等，車輛累計運行時長可以為車輛累計駕駛時間；行駛線路種類包括將駕駛數(shù)據(jù)按行程劃分，行程是一次有起點和終點的駕駛?cè)蝿?wù)，具有相同起點和終點的線路可以認(rèn)為是一種線路。

所述確定單元42，還可以用于通過預(yù)設(shè)DBSCAN密度聚類函數(shù)，對在所述預(yù)定周期時間段內(nèi)所述汽車的車輛位置數(shù)據(jù)進(jìn)行密度聚類，得到各個類簇；將所述各個類簇中樣本點最多的類簇的中心點，確定為所述汽車的活躍中心點，并將所述樣本點最多的類簇中所有點到所述活躍中心點的距離最大值，確定為所述汽車的行駛活躍半徑；根據(jù)所述活躍中心點和所述行駛活躍半徑，確定所述汽車的活躍行駛范圍。其中，預(yù)設(shè)DBSCAN密度聚類函數(shù)可以根據(jù)DBSCAN密度聚類算法預(yù)先進(jìn)行編寫設(shè)置，與K-means方法相比，DBSCAN密度聚類算法不需要事先知道需要形成的類簇數(shù)量，可以發(fā)現(xiàn)任意形狀的簇類，能夠識別出噪聲點。

所述分類單元43，具體還可以用于若根據(jù)分類結(jié)果確定所述待識別用戶乘坐的交通工具為汽車、且所述識別目標(biāo)為所述待識別用戶的乘客身份識別，則從所述終端數(shù)據(jù)中提取待識別用戶移動終端的加速計數(shù)據(jù)特征和陀螺儀數(shù)據(jù)特征；根據(jù)所述加速計數(shù)據(jù)特征和所述陀螺儀數(shù)據(jù)特征，通過乘客身份識別的K最鄰近分類器進(jìn)行分類得到所述待識別用戶對應(yīng)的乘客身份。通過K最鄰近分類器進(jìn)行分類，不僅可以實現(xiàn)狀態(tài)分類，還可以給出屬于某個類別的概率值。

需要說明的是，本發(fā)明實施例提供的另一種人體活動識別裝置所涉及各功能單元的其他相應(yīng)描述，可以參考圖3中的對應(yīng)描述，在此不再贅述。

本發(fā)明實施例提供的另一種人體活動識別裝置，包括：獲取單元、確定單元、分類單元、訓(xùn)練單元，可以實現(xiàn)多目標(biāo)人體活動識別，通過分類單元對用戶的活動狀態(tài)進(jìn)行逐層多級分類，可以將分類任務(wù)分解為多級分類任務(wù)，整個過程減少了每一層級分類的數(shù)據(jù)特征數(shù)和活動目標(biāo)數(shù)，同時每一級分類可以選取最適宜、準(zhǔn)確度最高的分類方法，可以降低多活動目標(biāo)識別時數(shù)據(jù)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動識別準(zhǔn)確率低，從而提高了人體活動識別的準(zhǔn)確性。

在上述實施例中，對各個實施例的描述都各有側(cè)重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關(guān)描述。

可以理解的是，上述方法及裝置中的相關(guān)特征可以相互參考。另外，上述實施例中的“第一”、“第二”等是用于區(qū)分各實施例，而并不代表各實施例的優(yōu)劣。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)，裝置和單元的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。

在此提供的算法和顯示不與任何特定計算機(jī)、虛擬系統(tǒng)或者其它設(shè)備固有相關(guān)。各種通用系統(tǒng)也可以與基于在此的示教一起使用。根據(jù)上面的描述，構(gòu)造這類系統(tǒng)所要求的結(jié)構(gòu)是顯而易見的。此外，本發(fā)明也不針對任何特定編程語言。應(yīng)當(dāng)明白，可以利用各種編程語言實現(xiàn)在此描述的本發(fā)明的內(nèi)容，并且上面對特定語言所做的描述是為了披露本發(fā)明的最佳實施方式。

在此處所提供的說明書中，說明了大量具體細(xì)節(jié)。然而，能夠理解，本發(fā)明的實施例可以在沒有這些具體細(xì)節(jié)的情況下實踐。在一些實例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對本說明書的理解。

類似地，應(yīng)當(dāng)理解，為了精簡本公開并幫助理解各個發(fā)明方面中的一個或多個，在上面對本發(fā)明的示例性實施例的描述中，本發(fā)明的各個特征有時被一起分組到單個實施例、圖、或者對其的描述中。然而，并不應(yīng)將該公開的方法解釋成反映如下意圖：即所要求保護(hù)的本發(fā)明要求比在每個權(quán)利要求中所明確記載的特征更多的特征。更確切地說，如下面的權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個實施例的所有特征。因此，遵循具體實施方式的權(quán)利要求書由此明確地并入該具體實施方式，其中每個權(quán)利要求本身都作為本發(fā)明的單獨實施例。

本領(lǐng)域那些技術(shù)人員可以理解，可以對實施例中的設(shè)備中的模塊進(jìn)行自適應(yīng)性地改變并且把它們設(shè)置在與該實施例不同的一個或多個設(shè)備中?？梢园褜嵤├械哪K或單元或組件組合成一個模塊或單元或組件，以及此外可以把它們分成多個子模塊或子單元或子組件。除了這樣的特征和/或過程或者單元中的至少一些是相互排斥之外，可以采用任何組合對本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的所有特征以及如此公開的任何方法或者設(shè)備的所有過程或單元進(jìn)行組合。除非另外明確陳述，本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的每個特征可以由提供相同、等同或相似目的的替代特征來代替。

此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實施例包括其它實施例中所包括的某些特征而不是其它特征，但是不同實施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實施例。例如，在下面的權(quán)利要求書中，所要求保護(hù)的實施例的任意之一都可以以任意的組合方式來使用。

本發(fā)明的各個部件實施例可以以硬件實現(xiàn)，或者以在一個或者多個處理器上運行的軟件模塊實現(xiàn)，或者以它們的組合實現(xiàn)。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，可以在實踐中使用微處理器或者數(shù)字信號處理器(DSP)來實現(xiàn)根據(jù)本發(fā)明實施例的一種人體活動識別方法及裝置中的一些或者全部部件的一些或者全部功能。本發(fā)明還可以實現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的設(shè)備或者裝置程序(例如，計算機(jī)程序和計算機(jī)程序產(chǎn)品)。這樣的實現(xiàn)本發(fā)明的程序可以存儲在計算機(jī)可讀介質(zhì)上，或者可以具有一個或者多個信號的形式。這樣的信號可以從因特網(wǎng)網(wǎng)站上下載得到，或者在載體信號上提供，或者以任何其他形式提供。

應(yīng)該注意的是上述實施例對本發(fā)明進(jìn)行說明而不是對本發(fā)明進(jìn)行限制，并且本領(lǐng)域技術(shù)人員在不脫離所附權(quán)利要求的范圍的情況下可設(shè)計出替換實施例。在權(quán)利要求中，不應(yīng)將位于括號之間的任何參考符號構(gòu)造成對權(quán)利要求的限制。單詞“包含”不排除存在未列在權(quán)利要求中的元件或步驟。位于元件之前的單詞“一”或“一個”不排除存在多個這樣的元件。本發(fā)明可以借助于包括有若干不同元件的硬件以及借助于適當(dāng)編程的計算機(jī)來實現(xiàn)。在列舉了若干裝置的單元權(quán)利要求中，這些裝置中的若干個可以是通過同一個硬件項來具體體現(xiàn)。單詞第一、第二、以及第三等的使用不表示任何順序?？蓪⑦@些單詞解釋為名稱。