[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

本發明公開了一種基于聚類分組的大規模人體行為識別方法，包括：步驟一、對人體行為數據進行采集；步驟二：生成人體行為特征選擇方案種群，并設置參數；步驟三、通過聚類對人體行為特征進行分組，將個體從原始空間映射到低維空間，在低維空間中生成子代以降低耗費成本，并通過環境選擇迭代選取優質特征選擇方案，最終得到最優的人體行為特征選擇方案。本發明能減少大規模人體行為識別特征選擇問題中所耗費的時間和空間，并通過自適應的調整參數，在大規模的人體行為特征集中快速的獲得優質特征選擇方案進行人體行為識別，以提高識別準確性。

技術領域

本發明涉及大規模人體行為識別特征選擇技術領域，具體的說是一種基于聚類分組的大規模人體行為識別方法。

背景技術

近年來，人體行為識別領域越來越受到眾人的關注，通過對人體日常或特定條件下的行為識別與檢測，可用于異常行為識別，智能家居，身份識別，人機互動等應用中。

對人體行為的識別可以幫助我們判斷人的意圖，而隨著科技的不斷進步，對人體行為特征采集的方式也越來越多，從而可以提取到大量的特征。然而隨著數據規模的上升，對識別人體行為的特征選擇方案的選取難度也增高了。在人體行為識別問題中，大量的數據一方面使我們可以獲取更多信息、更準確得識別未知人體行為，另一方面，由于特征之間的相互影響以及冗余特征的增多，也可能會導致計算量的增加和準確率的下降。因此，如何去除冗余特征，挑選出優質的人體行為特征選擇方案成為了人體行為識別特征選擇技術的焦點。目前，對于人體行為識別方法主要有基于視頻圖像中提取或者是基于傳感器進行記錄等。視頻錄像的人體行為識別往往是通過對于人體幾何的建模、考慮圖像在時間維度的變化或是對時空興趣點的提取進行判斷的，而傳感器通過在人體各個部位佩戴加速度傳感器或是使用射頻傳感器采集人體使用物品的數據等，采集到的數據經過處理后用以進行特征選擇或分類模型的建立。

但是目前的人體行為識別方法在大規模人體行為特征集上往往由于高維特征數而使得運算量過大，時間消耗長，占據大量內存，從而不能高效得獲取優質人體行為識別特征選擇方案。

發明內容

本發明為克服現有技術中存在的不足之處，提出一種基于聚類分組的大規模人體行為識別特征選擇方法，以期能減少大規模人體行為識別特征選擇問題中所耗費的時間和空間，并通過自適應的調整參數來根據情況選取適合的人體行為特征選擇方案，從而較快的獲得優質特征選擇方案進行人體行為識別，并能提高識別準確性。

本發明為解決上述技術問題采用如下技術方案：

本發明一種基于聚類分組的大規模人體行為識別方法的特點是按如下步驟進行：

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；