[發(fā)明專利]一種基于人體行為識別的統(tǒng)一特征選擇系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201911000803.6
• 申請日: 2019-10-18
• 公開（公告）號: CN110852184A
• 公開（公告）日: 2020-02-28
• 發(fā)明（設(shè)計(jì)）人: 周敏;陳平華
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 林麗明

本發(fā)明公開了一種基于人體行為識別的統(tǒng)一特征選擇系統(tǒng)，包括特征選擇模塊、特征重組模塊以及數(shù)據(jù)共享模塊；特征選擇模塊中配置有對應(yīng)的特征選擇算法，通過任一特征選擇算法單元對人體行為數(shù)據(jù)進(jìn)行特征選擇，獲得特征子集并存儲；對特征子集采用分類算法進(jìn)行人體行為識別，獲得識別準(zhǔn)確率；基于該識別準(zhǔn)確率與預(yù)設(shè)閾值的比對結(jié)果執(zhí)行繼續(xù)調(diào)用特征選擇模塊或調(diào)用特征重組模塊或退出特征選擇模塊；特征重組模塊中配置有特征重組算法，將特征子集劃分為高頻特征和低頻特征并分別存儲；采用特征重組算法對獲得的高頻特征和低頻特征進(jìn)行特征重組形成新的特征子集，并采用分類算法進(jìn)行人體行為識別，獲得識別準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及人體行為特征分類技術(shù)領(lǐng)域，尤其涉及一種基于人體行為識別的統(tǒng)一特征選擇系統(tǒng)。

背景技術(shù)

隨著人工智能相關(guān)技術(shù)的興起，以及微機(jī)電系統(tǒng)工藝的發(fā)展，基于加速度傳感器的人體行為識別由于具有很高的社會應(yīng)用價(jià)值，引起了科研人員的廣泛關(guān)注。在基于加速度傳感器的人體行為識別領(lǐng)域中，對人體日常活動行為進(jìn)行識別分類，通常采用傳統(tǒng)的機(jī)器學(xué)習(xí)相關(guān)算法，例如支持向量機(jī)、最近鄰算法等。

在對人體日常活動行為進(jìn)行識別分類的過程中，特征選擇是一個非常重要的環(huán)節(jié)。目前，針對人體行為識別領(lǐng)域中的特征選擇，一般都是采用單一的特征選擇算法。常用的特征選擇算法包括如下幾種。其一，過濾式特征選擇算法，依據(jù)計(jì)算統(tǒng)計(jì)量對特征進(jìn)行排序，進(jìn)而選取特征。統(tǒng)計(jì)量不同，則計(jì)算方式不同，從而計(jì)算耗時不同。其二，包裹式特征選擇算法，這種特征選擇算法由于采用了隨機(jī)策略，每次特征子集的評價(jià)都需要訓(xùn)練學(xué)習(xí)器，根據(jù)學(xué)習(xí)器的性能對特征子集進(jìn)行評價(jià)，直到選出最佳的特征子集。因而計(jì)算開銷很大。其三，嵌入式特征選擇算法，這種特征選擇算法將特征選擇過程與學(xué)習(xí)器訓(xùn)練過程融為一體，兩者在同一個優(yōu)化過程中完成。

這三種特征選擇算法在相關(guān)研究中都有所應(yīng)用，但目前人們一般采取以上單一一種算法對人體行為識別進(jìn)行特征選擇，所選擇的算法可能存在無法滿足預(yù)設(shè)閾值的要求，或算法復(fù)雜，計(jì)算量大從而耗時過長的問題。

發(fā)明內(nèi)容

本發(fā)明為解決現(xiàn)有的采取單一算法對人體行為識別進(jìn)行特征選擇的方式存在局限性，無法很好地平衡準(zhǔn)確率和耗時的問題，提供了一種基于人體行為識別的統(tǒng)一特征選擇系統(tǒng)。

為實(shí)現(xiàn)以上發(fā)明目的，而采用的技術(shù)手段是：

一種基于人體行為識別的統(tǒng)一特征選擇系統(tǒng)，包括特征選擇模塊、特征重組模塊以及數(shù)據(jù)共享模塊；

所述特征選擇模塊，包括若干特征選擇算法單元，其中配置有對應(yīng)的特征選擇算法，用于：

通過任一特征選擇算法單元對人體行為數(shù)據(jù)進(jìn)行特征選擇，獲得特征子集并存儲于數(shù)據(jù)共享模塊中；

對所述特征子集采用分類算法進(jìn)行人體行為識別，獲得識別準(zhǔn)確率；基于該識別準(zhǔn)確率與預(yù)設(shè)閾值的比對結(jié)果執(zhí)行繼續(xù)調(diào)用特征選擇模塊或調(diào)用特征重組模塊或退出特征選擇模塊；

所述特征重組模塊，其中配置有特征重組算法，用于：

將所述特征子集按特征出現(xiàn)頻率將特征劃分為高頻特征和低頻特征并分別存儲于數(shù)據(jù)共享模塊中；采用特征重組算法對獲得的高頻特征和低頻特征進(jìn)行特征重組形成新的特征子集，基于新的特征子集，采用分類算法進(jìn)行人體行為識別，獲得識別準(zhǔn)確率，基于該識別準(zhǔn)確率與預(yù)設(shè)閾值的比對結(jié)果執(zhí)行繼續(xù)調(diào)用特征重組模塊或退出特征重組模塊。

上述方案中，通過對多種特征選擇算法進(jìn)行融合，并設(shè)置預(yù)設(shè)閾值與識別準(zhǔn)確率進(jìn)行比對從而確保獲取的特征子集滿足所需正確率，提高特征選擇算法所選的特征子集的泛化能力。

優(yōu)選的，所述數(shù)據(jù)共享模塊包括：

第一數(shù)據(jù)存儲單元，用于存儲特征選擇算法單元所獲得的特征子集；

第二數(shù)據(jù)存儲單元，用于存儲特征重組模塊和特征選擇模塊進(jìn)行遞歸的標(biāo)志值；