一種基于高斯過程分類器的人體行為識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于人體模式識別領(lǐng)域，特別是涉及一種基于高斯過程分類器的人體行為識別方法。
【背景技術(shù)】
[0002]人體行為識別指對人的動作類型、行為模式進行分析和識別，一般通過采用一種合適的方式表達從物理世界各種類型的數(shù)據(jù)序列中抽取的相關(guān)信息，并解釋這些信息，以實現(xiàn)學(xué)習(xí)和識別人的行為。穿戴式行為識別主要通過在身體不同部位穿戴各種傳感器直接識別用戶的運動方式。由于結(jié)構(gòu)簡單、數(shù)據(jù)處理容易、儀器成本低廉等優(yōu)勢，穿戴式行為識別已成為醫(yī)學(xué)遠程監(jiān)護、健康保健、應(yīng)急救援、軍事國防等領(lǐng)域中重要的技術(shù)手段和研宄熱點。
[0003]基于穿戴式傳感器的人體行為識別系統(tǒng)一般可分為數(shù)據(jù)采集、窗長度選取、特征提取、特征選擇、降維處理、分類、結(jié)果驗證等過程，其中分類器的選取是整個系統(tǒng)中的關(guān)鍵技術(shù)之一，對于分類結(jié)果有直接影響。目前，常用的分類算法有支持向量機、人工神經(jīng)網(wǎng)絡(luò)、隱馬爾科夫模型、貝葉斯分類器等。然而，它們各有弊端，如貝葉斯分類器需要大量的樣本數(shù)據(jù)，人工神經(jīng)網(wǎng)絡(luò)除了需要大量的樣本數(shù)據(jù)外，其網(wǎng)絡(luò)結(jié)構(gòu)也難以確定，隱馬爾科夫模型中的假設(shè)條件較嚴格，實用性較差，支持向量機存在規(guī)則化系數(shù)、核函數(shù)參數(shù)確定困難等固有局限。此外，傳統(tǒng)的分類算法都很難在輸入數(shù)據(jù)的維數(shù)較高時取得較好的分類效果。
[0004]高斯過程分類器是一種基于高斯過程和貝葉斯理論的新的統(tǒng)計學(xué)習(xí)算法，是當(dāng)前國際上機器學(xué)習(xí)研宄的熱點領(lǐng)域。由于高斯過程分類器具有以下優(yōu)點:超參數(shù)在模型學(xué)習(xí)的過程中自行優(yōu)化；以概率的形式輸出分類結(jié)果，易于分析問題的不確定性；有效解決小樣本、高維、非線性等復(fù)雜的分類問題等，近年來，高斯過程分類器在人臉識別、變壓器故障診斷、邊坡穩(wěn)定性學(xué)習(xí)記憶以及基于視覺的人體行為識別等方面取得了較好的研宄成果。但是，高斯過程分類器在應(yīng)用于基于穿戴式傳感器的人體行為識別方面至今仍是空白。
[0005]鑒于此，本發(fā)明提出了高斯過程分類器應(yīng)用于基于穿戴式傳感器的人體行為識另IJ，通過與較為流行的支持向量機比較，高斯過程分類器在高維輸入和小樣本情況下取得了明顯較好的分類效果。

【發(fā)明內(nèi)容】

[0006]鑒于以上所述現(xiàn)有技術(shù)的缺點，本發(fā)明的目的在于提供一種基于高斯過程分類器的人體行為識別方法，用于解決現(xiàn)有技術(shù)中人體行為分類識別效果不夠理想的問題。
[0007]為實現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種基于高斯過程分類器的人體行為識別方法，包括步驟:
[0008]I)訓(xùn)練出若干個高斯過程二分類器模型，每個模型對應(yīng)于判斷屬于某類人體行為的概率；
[0009]2)獲取人體行為的測試數(shù)據(jù)，將測試數(shù)據(jù)導(dǎo)入各個已經(jīng)訓(xùn)練好的高斯過程二分類器模型，分別計算該測試數(shù)據(jù)所屬的各個人體行為類別的概率；
[0010]3)比較各個人體行為類別的概率的值，最大值所對應(yīng)的人體行為類別即判定為該測試數(shù)據(jù)所屬的人體行為類別。
[0011]作為本發(fā)明的基于高斯過程分類器的人體行為識別方法的一種優(yōu)選方案，步驟I)中，為區(qū)分每類人體行為對應(yīng)的數(shù)據(jù)集，將輸入的訓(xùn)練數(shù)據(jù)集表示為:屬于i類人體行為的輸入數(shù)據(jù)Xi= [X Π,…，xin]T，其類標(biāo)為Yi= [y Π,…，yin]T，其中Xij表示第j個輸入向量，YijG {+I, -1}，(i = A, B, C，D...； j = I,…，η)。
[0012]作為本發(fā)明的基于高斯過程分類器的人體行為識別方法的一種優(yōu)選方案，步驟I)中，在訓(xùn)練高斯過程二分類器模型A時，輸入數(shù)據(jù)為X = [χΑ1,…，xAn]T，對應(yīng)的類標(biāo)為Y =[yAi,…，yAJT，其中 YAj= +1，y ?■= -1Q = B, C，D...；j = I,…，η),即屬于 A類人體行為的輸入數(shù)據(jù)的對應(yīng)類標(biāo)標(biāo)記為+1，其余類別的標(biāo)記為-1，將X，Y送入高斯過程二分類器模型，訓(xùn)練出高斯過程二分類器模型Α。
[0013]作為本發(fā)明的基于高斯過程分類器的人體行為識別方法的一種優(yōu)選方案，步驟I)中，依據(jù)訓(xùn)練出高斯過程二分類器模型A的方法訓(xùn)練出對應(yīng)于各類人體行為的高斯過程二分類器模型i，其中，i = B，C,D-?
[0014]作為本發(fā)明的基于高斯過程分類器的人體行為識別方法的一種優(yōu)選方案，步驟2)中，將人體行為的測試數(shù)據(jù)分別送入已經(jīng)訓(xùn)練好的高斯過程二分類器模型i，計算出測試數(shù)據(jù)屬于i類人體行為的概率值Pi,其中，i = A, B, C,D-o
[0015]作為本發(fā)明的基于高斯過程分類器的人體行為識別方法的一種優(yōu)選方案，步驟3)中，比較各個人體行為類別的概率值Pi,最大值所對應(yīng)的人體行為類別即判定為該測試數(shù)據(jù)所屬的人體行為類別，其中，i = A，B，C，D...。
[0016]作為本發(fā)明的基于高斯過程分類器的人體行為識別方法的一種優(yōu)選方案，所述高斯過程二分類器模型包括分別對應(yīng)于走、跑、站、及躺的高斯過程二分類器模型。
[0017]如上所述，本發(fā)明提供一種基于高斯過程分類器的人體行為識別方法，包括步驟:
1)訓(xùn)練出若干個高斯過程二分類器模型，每個模型對應(yīng)于判斷屬于某類人體行為的概率；
2)獲取人體行為的測試數(shù)據(jù)，將測試數(shù)據(jù)導(dǎo)入各個已經(jīng)訓(xùn)練好的高斯過程二分類器模型，分別計算該測試數(shù)據(jù)所屬的各個人體行為類別的概率；3)比較各個人體行為類別的概率的值，最大值所對應(yīng)的人體行為類別即判定為該測試數(shù)據(jù)所屬的人體行為類別。本發(fā)明具有以下有益效果:
[0018]I)與傳統(tǒng)分類器相比，高斯過程分類器可以預(yù)測出屬于某一類行為的概率大小，這在判決測試數(shù)據(jù)所屬的類別時，可以有多種權(quán)重選擇性。
[0019]2)與較為流行且成熟的分類技術(shù)支持向量機相比，高斯過程分類器在輸入數(shù)據(jù)的維數(shù)較高時，有更好的分類精度。
[0020]3)與支持向量機相比，當(dāng)訓(xùn)練數(shù)據(jù)較多時，高斯過程分類器所用的訓(xùn)練時間明顯短很多。
【附圖說明】
[0021]圖1顯示為本發(fā)明的基于高斯過程分類器的人體行為識別方法中高斯過程二分類器模型的訓(xùn)練流程示意圖。
[0022]圖2本發(fā)明的基于高斯過程分類器的人體行為識別方法中高斯過程二分類器模型的學(xué)習(xí)決策流程示意圖。
[0023]圖3顯示為本發(fā)明的高斯過程分類器和支持向量機在輸入數(shù)據(jù)的維數(shù)較多時的識別精度對比曲線圖。
[0024]圖4顯示為本發(fā)明的高斯過程分類器和支持向量機在訓(xùn)練樣本較多時訓(xùn)練時間的比較曲線圖。
【具體實施方式】
[0025]以下通過特定的具體實例說明本發(fā)明的實施方式，本領(lǐng)域技術(shù)人員可由本說明書所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)點與功效。本發(fā)明還可以通過另外不同的【具體實施方式】加以實施或應(yīng)用，本說明書中的各項細節(jié)也可以基于不同觀點與應(yīng)用，在沒有背離本發(fā)明的精神下進行各種修飾或改變。
[0026]請參閱圖1?圖4。需要說明的是，本實施例中所提供的圖示僅以示意方式說明本發(fā)明的基本構(gòu)想，遂圖式中僅顯示與本發(fā)明中有關(guān)的組件而非按照實際實施時的組件數(shù)目、形狀及尺寸繪制，其實際實施時各組件的型態(tài)、數(shù)量及比例可為一種隨意的改變，且其組件布局型態(tài)也可能更為復(fù)雜。
[0027]如圖1?圖4所示，本實施例提供一種基于高斯過程分類器的人體行為識別方法，包括步驟:
[0028]如圖1所示，首先進行步驟I)，訓(xùn)練出若干個高斯過程二分類器模型，每個模型對應(yīng)于判斷屬于某類人體行為的概率。
[0029]作為示例，步驟I)中，為區(qū)分每類人體行為對應(yīng)的數(shù)據(jù)集，將輸入的訓(xùn)練數(shù)據(jù)集表示為:屬于i類人體行為的輸入數(shù)據(jù)Xi= [Xil，…，Xin]τ，其類標(biāo)為Yi= [yn，…，yin]T，其中 Xij表示第 j 個輸入向量，y ij-e {+I, -1}，(i = A, B, C，D...； j = I,..., n)。
[0030]作為示例，步驟I)中，在訓(xùn)練高斯過程二分類器模型A時，輸入數(shù)據(jù)為X= [χΑ1，...，XaJt，對應(yīng)的類標(biāo)為Y = [yA1.…，yAJT，其中 yAj= +1, yij= -1(i = B, c,D---；j = I,…，η),即屬于A類人體行為的輸入數(shù)據(jù)的對應(yīng)類標(biāo)標(biāo)記為+1，其余類別的標(biāo)記為-1，將X，Y送入高斯過程二分類器模型，訓(xùn)練出高斯過程二分類器模型A。
[0031]作為示例，步驟I)中，依據(jù)訓(xùn)練出高斯過程二分類器模型A的方法訓(xùn)練出對應(yīng)于各類人體行為的高斯過程二分類器模型i，其中，I = B, C1D-O
[0032]具體地，實現(xiàn)本發(fā)明目的的關(guān)鍵技術(shù)是將高斯過程分類器引入人體行為識別算法中，以高斯過程二分類器算法為基礎(chǔ)，采用一對多策略，實現(xiàn)多類行為識別。在本實施例中，以區(qū)分走、跑、站、躺四類行為為例，其實現(xiàn)過程包括如下步驟(其中高斯過程二分類模型簡稱為二分類模型):
[0033]步驟1-1)，為區(qū)分每類人體行為對應(yīng)的數(shù)據(jù)集，可將輸入的訓(xùn)練數(shù)據(jù)集分別表示為:屬于“走”的輸入數(shù)據(jù)Xa= [X Al,…，xto]T，其類標(biāo)為Ya= [y Al.…，yto]T;屬于“跑”的輸入數(shù)據(jù)Xb= [χΒ1，…，χΒη]τ，其類標(biāo)為Yb= [yB1，一，yBn]T;屬于“站”的輸入數(shù)據(jù)Xc=[xCi,…，XcJt，其類標(biāo)為Y。= [y α.…，ycJT;屬于“躺”的輸入數(shù)據(jù)Xd= [xD1，…，xDn]T，其類標(biāo)為Yd= [y D1，…，yDn]