[發明專利]基于聚類分組的大規模人體行為識別方法

有效

• 申請號: 202011625139.7
• 申請日: 2020-12-31
• 公開（公告）號: CN112580606B
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 邱劍鋒;武夢雨;鳳元東;田野;張興義
• 申請（專利權）人: 安徽大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V20/52;G06V10/46;G06V10/764;G06F17/16
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于聚類分組的大規模人體行為識別方法，其特征是按如下步驟進行：

步驟一、對人體行為數據進行采集；

步驟1.1、以一個人體在執行坐下或站立動作時所形成的動作加速度作為一個樣本值，從而構建樣本集，對樣本集中的樣本進行去燥處理，得到去噪后的樣本集；

步驟1.2、計算去噪后的樣本集的Y個統計量，并構成X×Y維的人體行為特征集F，其中，X表示樣本數，Y表示每個人所對應的統計量的數目；

步驟二、設種群大小為N，定義種群集合記為Pop＝{Pop₁,Pop₂,…,Pop_i,…,Pop_N}，Pop_i表示種群中的第i個個體，種群中的每個個體代表每個人從Y個統計量中選擇不同統計量所構成的人體行為特征選擇方案，且Pop_i＝{Pop_i1,Pop_i2,...,Pop_ij,...,Pop_iY}，Pop_ij表示第i個個體的第j個人體行為特征是否選入人體行為特征選擇方案中，若Pop_ij＝1時代表選入，若Pop_ij＝0時代表未選入；j∈[1,Y]；將種群中個體所在搜索空間定義為原始空間，且所述原始空間的維度為Y；

步驟三、初始化；

步驟3.1、將種群集合Pop中每個個體的長度初始化為Y，且Y是由0和1構成的向量；

步驟3.2、利用式(1)獲得第i個個體的錯誤率指標error(Pop_i)：

式(1)中，EC(Pop_i)表示使用第i個個體所代表的人體行為特征選擇方案時分類錯誤的樣本數；

步驟3.3、將第i個個體所代表的人體行為特征選擇方案中所選入的人體行為特征數記為num(Pop_i)；

步驟3.4、利用種群中每個個體的錯誤率和人體行為特征數對所有個體進行非支配排序，得到升序后的若干個特征選擇方案集；

計算排序后的每個特征選擇方案集中每個個體的擁擠距離，從而按照擁擠距離對每個特征選擇方案集中個體進行降序排序，得到降序后的若干個特征選擇方案集；

步驟3.5、初始化參數：

當前迭代次數t＝1，在低維空間產生第t次迭代的子代解的概率為ρ_t，第t次迭代的分組數為K_t，最大迭代次數為tmax；初始化最優特征選擇方案Arc為空集；

以所述降序后的若干個特征選擇方案集作為第t代種群；

步驟四、通過聚類將人體行為特征進行分組降維，在低維空間中生成子代，并通過環境選擇迭代選取個體，最終得到一組最優人體行為特征選擇方案；

步驟4.1、將第t代種群中第一個特征選擇方案集合并到最優特征選擇方案Arc中，并對Arc進行非支配排序后，在Arc中保留排序后的第一個特征選擇方案集；

步驟4.2、根據Arc和分組數K_t對原始空間中的人體行為特征進行分組：

步驟4.2.1、從Arc中獲取特征集合V＝{v₁,v₂,...,v_j,...,v_Y}，其中，v_j表示Arc中第j個人體行為特征在不同個體中被選入的情況向量；

利用式(2)獲得第j個人體行為特征在不同個體中被選入的情況向量v_j的稀疏度spar(v_j)：

式(2)中，|Arc|表示Arc中的個體數目，v_jy表示第j個人體行為特征在Arc中的第y個體中是否被選入，若v_jy＝1表示被選入，若v_jy＝0表示未選入，表示情況向量v_j中每個元素為1的數目；

步驟4.2.2、根據所有個體行為特征選入的情況向量的稀疏度，將特征集合V分為三個集合，子集One為稀疏度為1的人體行為特征選入情況向量的集合，子集Zero為稀疏度為0的人體行為特征選入情況向量的集合，子集Other為稀疏度在0到1之間的人體行為特征選入情況向量的集合；

步驟4.2.3、從子集Other的稀疏度最接近0.5的情況向量中隨機選出一個作為參考向量R，并計算子集Other中所有情況向量與參考向量R之間的杰卡德距離，從而將子集Other中所有情況向量按照杰卡德距離進行升序排列，并按照排列后的順序將子集Other平均分成K組索引集，記作Group＝{group₁,group₂,...,group_k,...,group_K}，其中，group_k表示第k組中情況向量的索引子集，若子集One不為空，則子集One中人體行為特征選入情況向量的索引也作為一組并加入到索引集Group的末尾，若子集One為空，則不加入索引集Group中，若子集Zero不為空，則子集Zero中人體行為特征選入情況向量的索引也作為一組并加入到索引集Group的末尾，若子集Zero為空，則不加入索引集Group中；

步驟4.3、根據降序后的若干個人體行為特征選擇方案集，使用二進制錦標賽法從種群Pop中選取一對父代個體記作Pa＝{Pa₁,Pa₂}，將Pa₁和Pa₂記為pa_p，其中p＝1或2；pa_p表示在原始空間中一對父代個體中的第p個父代子個體，且Pa_p＝{Pa_p1,Pa_p2,...,Pa_pj,...,Pa_pY}；Pa_pj為第p個父代子個體在原始空間中第j位人體行為特征值；

步驟4.3.1、生成一個隨機數rand，若rand≤ρ_t，則再直接對父代子個體Pa₁和Pa₂使用單點交叉和逐位突變得到子代；若rand＞ρ_t，則按照步驟4.3.2～步驟4.3.3得到子代；

步驟4.3.2、按照4.2.3的分組結果，將原始空間中的個體映射至|Group|維的低維空間中，|Group|表示索引集中的元素個數；

將索引集Group中一個索引子集所對應的人體行為特征看作一維，從而將原始空間中Y維的個體投射至低維空間中變為|Group|維的個體；

根據式(3)計算原始空間中第k個索引子集group_k對應的特征選入情況在低維空間中第k位為1的概率pro_k：

式(3)中，|group_k|代表第k個索引子集group_k中元素數量；

將概率pro_k與隨機數r進行比較，若pro_k≤r，則表示低維空間中第k位的取值為1，否則，第k位的取值為0，從而得到低維空間中的父代子個體，記作Pa′＝{Pa′₁,Pa′₂}，其中，Pa′₁和Pa′₂分別表示在低維空間的一對父代子個體中第一個和第二個父代子個體；

步驟4.3.3、在低維空間中對父代子個體Pa′₁和Pa′₂使用單點交叉和逐位突變得到低維空間中的子代子個體，記作Off′＝{off₁′,off′₂,...,off′_k}；off′_k表示低維空間中第k位；

將子代子個體Off′映射到原始空間中的子代記作Off＝{off₁,off₂,...,off_j,...,off}，off_j表示原始空間中第j位；若原始空間中第j位off_j屬于第k個索引子集group_k，則將低維空間中第k位off′_k賦值給off_j；

步驟4.4、重復步驟4.3執行N次，從而獲得原始空間中N個子代；

步驟4.5、利用式(4)獲得第t+1次迭代中在低維空間產生子代解的概率ρ_t+1：

式(4)中，NDs_1,t表示第t次迭代產生的N個子代個體中由低維空間所產生非支配個體的數目，NDs_2,t表示第t次迭代產生的N個子代個體中在原始空間中產生非支配個體的數目，s_1,t表示第t次迭代產生的N個子代個體中由低維空間中產生個體的數目，s_2,t表示第t次迭代產生的N個子代個體中由原始空間中產生個體的數目；

步驟4.6、利用式(5)獲得t+1次迭代中人體行為特征的分組數K_t+1：

步驟4.7、將種群中的N個個體與原始空間中N個子代合并，并對合并后的2N個個體進行去重處理，得到去重后的個體并進行非支配排序以及擁擠距離的計算排序，從而得到排序后的所有個體，選取排名前N個的個體作為第t+1代種群；

步驟4.9、將t+1賦值給t后，判斷t＞tmax是否成立，若成立，則輸出最優特征選擇方案Arc，用于進行人體行為識別，從而判斷未知人體行為是坐下還是站立；否則返回步驟四執行。