[發(fā)明專利]基于自動特征選擇和集成學(xué)習(xí)算法的人體動作識別方法

有效

• 申請?zhí)枺?/td>: 201910203015.0
• 申請日: 2019-03-18
• 公開（公告）號: CN109934179B
• 公開（公告）日: 2022-08-02
• 發(fā)明（設(shè)計）人: 劉麗玨;舒雷;舒鑫;葉星宏
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/774;G06V10/77
• 代理公司: 長沙正奇專利事務(wù)所有限責(zé)任公司 43113
• 代理人: 馬強(qiáng);李美麗

1.一種基于自動特征選擇和集成學(xué)習(xí)算法的人體動作識別方法，其特征在于，包括以下步驟：

步驟A，獲得人體動作的數(shù)據(jù)信息集；

步驟B，在人體動作的數(shù)據(jù)信息集中設(shè)置一個滑動窗口，在該滑動窗口中對人體動作的數(shù)據(jù)信息集進(jìn)行重采樣，利用重采樣點(diǎn)數(shù)據(jù)、窗口數(shù)據(jù)對應(yīng)的時域特征、窗口數(shù)據(jù)對應(yīng)的頻域特征構(gòu)建樣本特征空間；

步驟C，利用基于卡特樹的特征評價算法和集成學(xué)習(xí)算法對樣本特征空間中的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，得到訓(xùn)練好的雙層模型，其中該雙層模型包括特征選擇層和動作識別層；

步驟D，用訓(xùn)練好的雙層模型對人體動作進(jìn)行分類識別，實(shí)現(xiàn)自動特征選擇和人體動作識別；

所述步驟C包括：

步驟C1，設(shè)人體動作的數(shù)據(jù)信息集為T，樣本特征空間為F，特征個數(shù)為K，隨機(jī)子空間系數(shù)α，卡特樹的棵數(shù)為M，特征選擇系數(shù)β；

步驟C2，在特征空間F中隨機(jī)選取αK個特征創(chuàng)建子特征空間F_sub＝{f₁,f₂,...,f_j},(j＝1,2,...,αK)；

步驟C3，選取子特征空間F_sub中的特征對數(shù)據(jù)信息集T進(jìn)行映射，得到新的數(shù)據(jù)集合T_i，i＝1,2,...,M，即：

其中，Π代表映射操作，

步驟C4，使用新的數(shù)據(jù)集合T_i訓(xùn)練卡特樹CT_i；

步驟C5，對于i從1到M，重復(fù)步驟C2～步驟C4共M次，得到M棵卡特樹CT_i；

步驟C6，如果特征f_j節(jié)點(diǎn)在卡特樹CT_i之中，則第j個特征節(jié)點(diǎn)在第i棵卡特樹中的深度為d_ij，那么第j個特征在第i棵卡特樹中的重要度評價值E_ij為：如果特征f_j節(jié)點(diǎn)不在卡特樹CT_i之中，則E_ij＝0；

步驟C7，對于i從1到M，j從1到K，重復(fù)步驟C6共M*K次，得到每個特征在每棵卡特樹中的重要度評價值E_ij；

步驟C8，對于j從1到K，計算每個特征節(jié)點(diǎn)在所有卡特樹中的總評價值E_j：

步驟C9，根據(jù)E_j對樣本特征空間F中的每個特征進(jìn)行排序，選出重要度評價值高的前βK個特征形成新的特征空間F_selected，F(xiàn)_selected＝{f₁,f₂,…,f_βK}

步驟C10，選取新特征空間F_selected中的特征對數(shù)據(jù)信息集T進(jìn)行映射，得到新的集合T_selected，即，

其中，Π代表映射操作，

步驟C11，將新的數(shù)據(jù)集T_selected輸入到XGBoost算法動作識別層，用于人體動作識別層的訓(xùn)練，從而得到最終的訓(xùn)練好的雙層模型。

2.如權(quán)利要求1所述的基于自動特征選擇和集成學(xué)習(xí)算法的人體動作識別方法，其特征在于，所述步驟A中，獲得人體動作的數(shù)據(jù)信息集過程包括：首先，獲得人體動作的原始數(shù)據(jù)集；然后，對原始數(shù)據(jù)進(jìn)行預(yù)處理，從而獲得人體動作的數(shù)據(jù)信息集。

3.如權(quán)利要求1所述的基于自動特征選擇和集成學(xué)習(xí)算法的人體動作識別方法，其特征在于，所述步驟B包括：

在人體動作的數(shù)據(jù)信息集中設(shè)置一個滑動窗口，設(shè)定滑動距離和重采樣時間間隔，在所述的滑動窗口中對數(shù)據(jù)信息集進(jìn)行重采樣；

在所述滑動窗口中計算時域特征和頻域特征；

利用重采樣點(diǎn)數(shù)據(jù)、窗口數(shù)據(jù)對應(yīng)的時域特征、窗口數(shù)據(jù)對應(yīng)的頻域特征構(gòu)建樣本特征空間。

4.如權(quán)利要求2所述的基于自動特征選擇和集成學(xué)習(xí)算法的人體動作識別方法，其特征在于，所述步驟A中，預(yù)處理過程包括：使用均值濾波消除原始數(shù)據(jù)集中的噪聲。