[發明專利]一種基于稀疏表示和Softmax分類的人體活動識別方法

在審

• 申請號: 201810814856.0
• 申請日: 2018-07-23
• 公開（公告）號: CN109086704A
• 公開（公告）日: 2018-12-25
• 發明（設計）人: 袁友偉;姚瑤;鄢臘梅;俞東進;李萬清
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 雷仕榮

1.一種基于稀疏表示和Softmax分類的人體活動識別方法，其特征在于，包括以下步驟：

步驟S1：使用海量的無線傳感器活動信號數據集訓練Softmax模型；

步驟S2：使用經過訓練的Softmax模型對實時檢測的活動信號進行分類和識別；

其中，所述步驟S1進一步包括：

步驟S11：獲取大規模無線傳感器活動信號數據集，并進行數據預處理；

步驟S12：將預處理后的活動信號數據集存儲于HBase數據庫中；

步驟S13：從HBase數據庫中獲取信號數據集，基于傳感器信號隨時間變化的規律，使用特征提取方法獲取活動信號的特征向量；

步驟S14：根據步驟S13中提取的無線傳感器信號特征向量f，通過監督學習的方法訓練Softmax分類模型，得到最佳參數θ；

所述步驟S13進一步包括：

步驟S131：S＝{s1，s2…sn}是無線傳感器網絡的多個可穿戴傳感器集合，大小相等的時間戳T＝{t1，t2…tn}，其中t_i+1-t_i＝λ，λ代表時間間隔，利用指定的特征提取算法得到特征向量f；

步驟S132：在活動信號傳輸期間，構造二元組w(wts，S)為時間域wts內的活動事件表示，S代表指定的監測傳感器序號；

步驟S133：設在活動信號數據庫HBase中，所有的監測活動事件為w＝{w1，w2…wk}，相同的活動事件X的活動信號集合可表示為活動信號的特征向量可表示如下：

其中A為特征向量集合矩陣，活動分類集合為C＝{C1，C2...Cq}；D＝{D1，D2…Dq}代表指定活動類別的特征向量集合，其中第i類活動分類特征向量集合可表示為

所述步驟S2進一步包括：

步驟S21：使用訓練好的Softmax分類器，預測得到海量傳感器數據的活動分類結果集RS＝{RS1，RS2…RSq}；

步驟S22：根據上一步中預測的傳感器數據分類RS，從HBase數據庫中得到該分類的結果集RS，通過全局活動字典計算實時傳感器信號的具體分類結果，判斷實時信號屬于類別RSi；

所述步驟S21進一步包括：

步驟S211：對于活動信號數據庫的特定分類的特征向量矩陣A，對每一類的特征向量集合Di，定義Softmax函數進行特征向量Di映射，映射公式如下：

其中n+1代表向量的維數，D代表映射的特征向量集合；

步驟S212：通過連續調整最小化成本函數進行參數優化，成本函數如下：

J(θ)＝Q(θ)+G(θ)

其中M表示訓練樣本的數量，q表示樣本類別的數量，y⁽ⁱ⁾∈{C₁,C₂...C_q}是輸入傳感器數據集的類標簽，D(i)是輸入特征向量，G(θ)是Softmax成本函數的加權衰減；l(·)是布爾函數；

步驟S213：輸入特征向量得到概率矩陣如下：

其中θ₁,θ₂,...,θ_q表示模型參數，用于對概率分布進行歸一化，根據概率分布得到信號的分類結果集合；

所述步驟S22進一步包括：

步驟S221：實時的傳感器數據Z，使用分類好的向量集進行權重表示：

z＝A·δ+e

其中表示為A的稀疏系數向量，e是整個系統的有界表達式的噪聲部分|e||₂<ξ，其中ξ為信號噪聲表達閾值；

步驟S222：計算不同類別的稀疏系數向量：

其中A+表示A的偽逆矩陣，||·||₀計數非零項的數目δ；

步驟S223：獲取Z的隸屬度大小，獲得具體的活動類別。