CN106778652A - 人体活动识别方法及装置 - Google Patents

Abstract

本发明公开了一种人体活动识别方法及装置，涉及网络技术领域，可以将活动识别目标划分层次，可以降低多活动目标识别时数据特征提取的复杂度。所述方法包括：当接收到用户活动状态的识别指令时，获取所述识别指令中携带的需要对待识别用户进行活动识别的识别目标，以及获取所述待识别用户移动终端的终端数据；确定与所述识别目标对应的分类模型组合流程；根据确定的所述分类模型组合流程和所述终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，得到所述待识别用户的活动状态，其中，上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系。本发明适用于人体活动识别。

Description

人体活动识别方法及装置

技术领域

本发明涉及一种网络技术领域，特别是涉及一种人体活动识别方法及装置。

背景技术

随着网络技术的发展，人体活动识别越来越重要。人体活动识别具有很广泛的研究意义和价值，通过对人体活动的识别可以检测人类的健康、运动训练状态、预测人类的社会行为等等。

目前，可以通过多类分类器实现人体活动识别，具体是依据采集到的用户活动状态数据的数据特征，通过多类分类器将人体活动状态划分为不同类别的活动状态。

然而，多类分类器在进行多活动目标识别时，数据特征提取过程复杂度较高，尤其在数据特征多、数据特征交叉等复杂情况下，数据特征提取会存在偏差，进而无法识别得到用户准确的活动状态，从而会影响人体活动识别的准确性。

发明内容

有鉴于此，本发明提供了一种人体活动识别方法及装置，主要目的在于可以降低多活动目标识别时特征选取的复杂度，避免数据特征提取偏差导致的人体活动识别准确率较低。

依据本发明一个方面，提供了一种人体活动识别方法，该方法包括：

当接收到用户活动状态的识别指令时，获取所述识别指令中携带的需要对待识别用户进行活动识别的识别目标，以及获取所述待识别用户移动终端的终端数据；

确定与所述识别目标对应的分类模型组合流程，不同的识别目标分别对应不同的分类模型组合流程，所述分类模型组合流程中包含按照预定顺序排列的一个或多个分类模型；

根据确定的所述分类模型组合流程和所述终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，得到所述待识别用户的活动状态，其中，上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系。

进一步地，所述方法还包括：

获取收集到的不同用户移动终端的终端数据；

根据不同的活动状态，提取所述终端数据中相应的特征数据进行训练，得到活动状态对应的分类模型；

所述确定与所述识别目标对应的分类模型组合流程，具体包括：

对所述识别目标进行解析，得到与所述识别目标对应的多个可选的活动状态；

根据所述多个可选的活动状态之间的上下位关系，选择相应的分类模型进行组合，得到与所述识别目标对应的分类模型组合流程。

具体地，若所述识别目标为所述用户的基本活动识别，则所述根据确定的所述分类模型组合流程和所述终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，具体包括：

从所述终端数据中提取所述待识别用户移动终端的终端位置数据特征；

根据所述终端位置数据特征，通过基本活动识别的决策树分类器对所述待识别用户的活动状态进行分类；

若根据分类结果确定所述待识别用户的基本活动状态为步行活动状态，则从所述终端数据中提取待识别用户移动终端的加速计数据特征；

根据所述加速计数据特征，通过步行类别识别的支持向量机分类器对所述步行活动状态进行分类。

具体地，若根据分类结果确定所述待识别用户的基本活动状态为乘坐交通工具活动状态、且所述识别目标为所述待识别用户乘坐的交通工具识别，则所述根据确定的所述分类模型组合流程和所述终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，具体还包括：

从所述终端数据中提取待识别用户移动终端的终端位置数据特征和终端信号数据特征，所述终端信号为终端通讯信号和/或终端网络信号；

根据所述终端位置数据特征和所述终端信号数据特征，通过交通工具识别的决策树分类器对所述乘坐交通工具活动状态进行分类；

若根据分类结果确定所述待识别用户乘坐的交通工具为汽车，则从所述汽车在预定周期时间段内的车辆运行数据中提取车辆运行数据特征；

根据所述车辆运行数据特征，通过车辆类型识别的决策树分类器进行分类得到所述汽车的车辆类型。

具体地，所述车辆运行数据特征包含活跃行驶范围、行驶线路种类、每个预定时间间隔内的车辆累计运行时长，所述活跃行驶范围的确定方式包括：

通过预设DBSCAN密度聚类函数，对在所述预定周期时间段内所述汽车的车辆位置数据进行密度聚类，得到各个类簇；

将所述各个类簇中样本点最多的类簇的中心点，确定为所述汽车的活跃中心点，并将所述样本点最多的类簇中所有点到所述活跃中心点的距离最大值，确定为所述汽车的行驶活跃半径；

根据所述活跃中心点和所述行驶活跃半径，确定所述汽车的活跃行驶范围。

进一步地，若根据分类结果确定所述待识别用户乘坐的交通工具为汽车、且所述识别目标为所述待识别用户的乘客身份识别，则所述根据确定的所述分类模型组合流程和所述终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，具体还包括：

从所述终端数据中提取待识别用户移动终端的加速计数据特征和陀螺仪数据特征；

根据所述加速计数据特征和所述陀螺仪数据特征，通过乘客身份识别的K最邻近分类器进行分类得到所述待识别用户对应的乘客身份。

依据本发明另一个方面，提供了一种人体活动识别装置，该装置包括：

获取单元，用于当接收到用户活动状态的识别指令时，获取所述识别指令中携带的需要对待识别用户进行活动识别的识别目标，以及获取所述待识别用户移动终端的终端数据；

确定单元，用于确定与所述获取单元获取的识别目标对应的分类模型组合流程，不同的识别目标分别对应不同的分类模型组合流程，所述分类模型组合流程中包含按照预定顺序排列的一个或多个分类模型；

分类单元，用于根据所述确定单元确定的分类模型组合流程和所述获取单元获取的终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，得到所述待识别用户的活动状态，其中，上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系。

进一步地，所述装置还包括：训练单元；

所述获取单元，用于获取收集到的不同用户移动终端的终端数据；

所述训练单元，用于根据不同的活动状态，提取所述终端数据中相应的特征数据进行训练，得到活动状态对应的分类模型；

所述确定单元，具体用于对所述识别目标进行解析，得到与所述识别目标对应的多个可选的活动状态；

根据所述多个可选的活动状态之间的上下位关系，选择相应的分类模型进行组合，得到与所述识别目标对应的分类模型组合流程。

具体地，所述分类单元，具体用于若所述识别目标为所述待识别用户的基本活动识别，则从所述终端数据中提取所述待识别用户移动终端的终端位置数据特征；

根据所述终端位置数据特征，通过基本活动识别的决策树分类器对所述待识别用户的活动状态进行分类；

若根据分类结果确定所述待识别用户的基本活动状态为步行活动状态，则从所述终端数据中提取待识别用户移动终端的加速计数据特征；

根据所述加速计数据特征，通过步行类别识别的支持向量机分类器对所述步行活动状态进行分类。

所述分类单元，具体还用于若根据分类结果确定所述待识别用户的基本活动状态为乘坐交通工具活动状态、且所述识别目标为所述待识别用户乘坐的交通工具识别，则从所述终端数据中提取待识别用户移动终端的终端位置数据特征和终端信号数据特征，所述终端信号为终端通讯信号和/或终端网络信号；

根据所述终端位置数据特征和所述终端信号数据特征，通过交通工具识别的决策树分类器对所述乘坐交通工具活动状态进行分类；

若根据分类结果确定所述待识别用户乘坐的交通工具为汽车，则从所述汽车在预定周期时间段内的车辆运行数据中提取车辆运行数据特征；

根据所述车辆运行数据特征，通过车辆类型识别的决策树分类器进行分类得到所述汽车的车辆类型。

具体地，所述车辆运行数据特征包含活跃行驶范围、行驶线路种类、每个预定时间间隔内的车辆累计运行时长，所述确定单元，还用于通过预设DBSCAN密度聚类函数，对在所述预定周期时间段内所述汽车的车辆位置数据进行密度聚类，得到各个类簇；

将所述各个类簇中样本点最多的类簇的中心点，确定为所述汽车的活跃中心点，并将所述样本点最多的类簇中所有点到所述活跃中心点的距离最大值，确定为所述汽车的行驶活跃半径；

根据所述活跃中心点和所述行驶活跃半径，确定所述汽车的活跃行驶范围。

进一步地，所述分类单元，具体还用于若根据分类结果确定所述待识别用户乘坐的交通工具为汽车、且所述识别目标为所述待识别用户的乘客身份识别，则从所述终端数据中提取待识别用户移动终端的加速计数据特征和陀螺仪数据特征；

根据所述加速计数据特征和所述陀螺仪数据特征，通过乘客身份识别的K最邻近分类器进行分类得到所述待识别用户对应的乘客身份。

借由上述技术方案，本发明提供的一种人体活动识别方法及装置，与目前通过多类分类器实现人体活动识别的方式相比，本发明在确定与需要对待识别用户进行活动识别的识别目标对应的分类模型组合流程后，根据该分类模型组合流程和待识别用户移动终端的终端数据的数据特征，对待识别用户的活动状态进行逐层多级分类，可以将分类任务分解为多级分类任务，并且上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系，进而可以将一些相似人体活动状态先分类为一个统称活动状态，再对该统称活动状态进行细分找到用户实际的活动状态，整个过程减少了每一层级分类的数据特征数和活动目标数，避免在数据特征多、活动类别多、数据特征交叉等复杂情况进行直接分类，可以降低多活动目标识别时数据特征选取的复杂度，避免数据特征提取偏差导致的人体活动识别准确率低，从而提高了人体活动识别的准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种人体活动识别方法流程示意图；

图2示出了本发明实施例提供的一种活动状态分类实例示意图；

图3示出了本发明实施例提供的另一种人体活动识别方法流程示意图；

图4示出了本发明实施例提供的一种所有活动识别的实例示意图；

图5示出了本发明实施例提供的五个分类模型实例示意图；

图6示出了本发明实施例提供的一种确定活跃行驶范围的方法流程示意图；

图7示出了本发明实施例提供的一种确定车辆类型的方法流程示意图；

图8示出了本发明实施例提供的一种人体活动识别装置结构示意图；

图9示出了本发明实施例提供的另一种人体活动识别装置结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种人体活动识别方法，可以降低多活动目标识别时特征选取的复杂度，可以提高人体活动识别的准确性，如图1所示，该方法包括：

101、当接收到用户活动状态的识别指令时，获取识别指令中携带的需要对待识别用户进行活动识别的识别目标，以及获取待识别用户移动终端的终端数据。

其中，终端数据可以包含移动终端中全球定位***(Global PositioningSystem，GPS)***采集的数据、以及各个传感器采集的数据等。而识别目标可以为基本人体活动的识别目标，该目标可以识别出待识别用户的活动状态具体是走路、跑步、乘坐交通工具等活动中的哪一个；识别目标还可以为交通工具的识别目标，该目标可以识别出用户乘坐的交通工具具体是飞机、高铁、火车、汽车、地铁等交通工具中的哪一个。需要说明的是，在本发明实施例中，对于待识别用户可选的识别目标，可以根据不同的实际需求进行预先设定，以便满足不同的用户需求。

在本发明实施例中，可以通过采集移动终端的终端数据，对人体活动状态进行识别，其中，移动终端可以为智能手机、平板电脑、智能手表、智能手环等设备。目前移动终端中的软硬件功能强大，移动终端中集成的传感器种类繁多，包括陀螺仪传感器、距离传感器、灯光传感器、磁力传感器等。并且目前用户对移动终端的依赖程度较高，用户会经常携带移动终端，因此，可以通过采集移动终端中这些传感器收集到的数据进行分析识别，识别出待识别用户具体的活动状态。而对于本发明实施例的执行主体可以为用于根据采集到的待识别用户移动终端的终端数据进行人体活动识别的装置，该装置在接收到用户活动状态的识别指令时，可以对识别指令进行解析，得到需要对待识别用户进行活动识别的识别目标，以及根据识别指令获取待识别用户移动终端的终端数据。

102、确定与识别目标对应的分类模型组合流程。

其中，不同的识别目标分别对应不同的分类模型组合流程。分类模型组合流程中包含按照预定顺序排列的一个或多个分类模型。在本发明实施例中，可以预先根据不同的活动状态之间的上下位关系，将多个相似的活动状态进行合并和抽象处理，并且训练相应的分类模型。例如，对于走路活动状态和跑步活动状态，可以合并抽象为步行活动状态，而对于步行活动状态，由于不同人跑步和走路状态存在差异，需要大量的样本数据进行模型训练，因此可以选用支持向量机分类器作为该步行活动状态相应的分类模型，并收集相应的样本数据对该分类模型进行训练。

在对每个分类模型训练完毕后，可以得到不同层级关系的分类模型。例如，如图2所示，通过分类模型1对用户活动状态进行分类，可选的活动状态有活动1、活动2、抽象活动，进一步地，对这个抽象活动再进行活动状态分类时，可选的活动状态有活动3和活动4，这里活动3和活动4可以认为是两个相似活动状态，而抽象活动可以是由活动3和活动4合并抽象得到的统称活动，由此分类模型1与分类模型2之间具有上下层级关系，分类模型1是分类模型2的上一层级的分类模型，这样使得在每一层级分类时，减少需要提取的数据特征，避免数据特征提取偏差。

对于本发明实施例，可以根据具体的识别目标和分类模型之间的层级关系，选择相应的分类模型进行组合排序，得到与该识别目标对应的分类模型组合流程，以便根据该分类模型组合流程进行人体活动识别。

103、根据确定的分类模型组合流程和终端数据的数据特征，对待识别用户的活动状态进行逐层多级分类，得到待识别用户的活动状态。

其中，上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系。例如，通过上一层级分类模型分类得到的活动状态为步行活动状态，而下一层级分类模型分类可选的活动状态为走路活动状态、跑步活动状态，这里步行活动状态与走路活动状态、跑步活动状态之间具有上下位关系。

例如，识别目标是基本人体活动的识别目标，根据与其对应的分类模型组合流程，对待识别用户的活动状态进行逐层多级分类：首先从终端数据中提取全球定位***数据的数据特征，该数据特征包括：移动速度最大值，根据该特征，通过分类模型1进行分类，进而确定待识别用户当前处于步行活动状态，然后再从终端数据中提取加速计数据的数据特征，该数据特征包括：加速度标准差、加速度25分位数之和、加速度75分位数之和，根据该特征，通过分类模型2进行分类，最后确定待识别用户当前具体处于跑步活动状态，与目前通过多类分类器直接根据提取的数据特征进行分类的方式相比，可以确定待识别用户实际是哪个基本人体活动状态。

本发明实施例提供的一种人体活动识别方法，通过对待识别用户的活动状态进行逐层多级分类，可以将分类任务分解为多级分类任务，并且上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系，进而可以将一些相似人体活动状态先分类为一个统称活动状态，再对该统称活动状态进行细分找到待识别用户实际的活动状态，整个过程减少了每一层级分类的数据特征数和活动目标数，可以降低多活动目标识别时数据特征选取的复杂度，避免数据特征提取偏差导致的人体活动识别准确率低，从而提高了人体活动识别的准确性。

为了更好的对上述图1所示的方法进行理解，作为对上述实施方式的细化和扩展，本发明实施例提供了另一种人体活动识别方法，如图3所示，该方法包括：

201、当接收到用户活动状态的识别指令时，获取识别指令中携带的需要对待识别用户进行活动识别的识别目标，以及获取待识别用户移动终端的终端数据。

对于本发明实施例，可以根据实际需要选择用户活动状态的识别目标，即需要识别到哪一程度。例如，可以识别的活动状态及其级别划分如图4所示，涵盖了人们日常普遍的活动状态(静止、步行、乘交通工具)、角色(乘客或驾驶员)和常用的交通工具(飞机、高铁、地铁、火车、公交车、大客车、私家车、出租车)。具体可以分为四级分类，5个分类模型(①②③④⑤)，每一层级分类参考的数据特征存在差异。如图4所示，根据实际需要可以选择相应的用户活动状态的识别目标，如基本人体活动的识别、交通工具的识别、乘坐汽车时的角色识别、乘坐汽车时的车辆类型识别等识别目标。

为了能够对用户活动状态及时进行识别，需要提前训练完毕相应的分类模型，以便得到准确的分类结果，因此，在步骤201之前，还包括：获取收集到的不同用户移动终端的终端数据；根据不同的活动状态，提取终端数据中相应的特征数据进行训练，得到活动状态对应的分类模型。

例如，可以提前收集不同样本用户的移动终端的终端数据，提取相应的特征数据训练分类模型，如图4所示，每一级分类都可以选取最适宜、准确度最高的分类模型，以便提高整体活动识别的准确度，各级分类模型数据源和数据特征如图5所示，每个分类模型具体如下：

对于分类模型①，该模型数据源是全球定位***数据，参考的数据特征包括速度最大值，可以实现静止状态、步行状态、乘坐交通工具状态的分类。由于该模型特征数据少，特征具有明显的界限，可以选用决策树分类器，使得分类模型执行效率较高，并提取不同样本用户的终端数据的特征数据训练该分类模型，例如，提取不同样本用户分别处于静止状态、步行状态、乘坐交通工具状态时的移动终端速度最大值的特征数据，根据该特征数据训练决策树分类器，得到可以实现静止状态、步行状态、乘坐交通工具状态分类的分类模型；

对于分类模型②，该模型数据源是加速计数据，参考的数据特征包括加速度标准差、加速度25分位数之和、加速度75分位数之和，可以实现走路状态、跑步状态的分类。由于该模型属于二分类模型，并且不同人跑步和走路状态存在差异，因此该模型需要大量的样本数据进行模型训练，所以选用支持向量机分类器，例如，提取不同样本用户分别处于走路状态、跑步状态时的移动终端加速度标准差、加速度25分位数之和、加速度75分位数之和的特征数据，根据该特征数据训练支持向量机分类器，得到可以实现走路状态、跑步状态分类的分类模型；

对于分类模型③，该模型数据源是全球定位***数据，参考的数据特征包括速度平均值、全球定位***卫星个数、终端信号强度平均值，可以实现飞机、高铁、汽车、地铁、火车等交通工具的识别，其中，该终端信号可以包含终端通讯信号和网络信号等。由于该模型需要的训练数据少，选用决策树分类器，使得模型训练和执行效率较高，例如，可以提取不同样本用户分别乘坐飞机、高铁、汽车、地铁、火车等交通工具时的移动终端速度平均值、全球定位***卫星个数、终端信号强度平均值的特征数据，根据该特征数据训练决策树分类器，得到可以实现飞机、高铁、汽车、地铁、火车等交通工具识别的分类模型；

对于分类模型④，该模型数据源是加速计数据、陀螺仪数据，参考的数据特征包括加速度标准差、加速度25分位数之和、加速度75分位数之和、陀螺仪数据标准差，在驾驶员在驾驶过程中把移动终端放置在车内、不随身携带的前提下，通过分类模型④可以实现驾驶员、乘客的识别。由于驾驶员和乘客特征存在交叉，选用K最邻近分类器，不仅可以实现状态分类，还可以给出属于某个类别的概率值，模型调用者可以结合类别和概率值进行特性设计，例如，可以提取不同样本用户分别作为驾驶员、乘客时的移动终端加速度标准差、加速度25分位数之和、加速度75分位数之和、陀螺仪数据标准差的特征数据，根据该特征数据训练K最邻近分类器，得到可以实现驾驶员、乘客识别的分类模型；

对于分类模型⑤，该模型特征选取和分类过程不同于其他四个分类模型，因为乘客在乘坐私家车、公交车、大客车、出租车时终端采集的数据几乎无差异，因此该模型基于各种车辆一定周期内运行数据，对车辆的类型进行分类，而车辆运行数据可以通过放置在车辆中特定终端收集，也可以通过用户放置在车辆中的移动终端收集。根据用户的移动终端数据，若检测到同一时间段内用户的行进路线与某一车辆的行进路线相同，且行进速度也保持一致，即乘客与某一车辆保持相对静止，则说明该车辆的车辆类型即为该乘客乘坐车辆的车辆类型。该模型的数据源是车辆一定周期内运行数据，参考的数据特征包括活跃行驶范围、行驶线路种类、每个预定时间间隔内的车辆累计运行时长，实现私家车、公交车、大客车、出租车等车辆类型的识别，由于该模型需要的训练特征数据少，选用决策树分类器，使得模型训练和执行效率较高，例如，可以提取不同样本用户分别乘坐私家车、公交车、大客车、出租车时移动终端采集的车辆一定周期内的运行数据特征，根据该特征训练决策树分类器，得到可以实现私家车、公交车、大客车、出租车识别的分类模型。其中，预定时间间隔可以根据实际需求进行设定，如每个预定时间间隔可以为每个季度、每月、每半个月等，车辆累计运行时长可以为车辆累计驾驶时间；行驶线路种类包括将驾驶数据按行程划分，行程是一次有起点和终点的驾驶任务，具有相同起点和终点的线路可以认为是一种线路；

而活跃行驶范围可以为车辆常规的运行区域，首先需要排除车辆非经常性运行区域对活跃行驶范围计算的影响，具体计算流程如图6所示，包括：通过预设DBSCAN密度聚类函数，对在预定周期时间段内汽车的车辆位置数据进行密度聚类，得到各个类簇；将各个类簇中样本点最多的类簇的中心点，确定为汽车的活跃中心点，并将样本点最多的类簇中所有点到活跃中心点的距离最大值，确定为汽车的行驶活跃半径；根据活跃中心点和行驶活跃半径，确定汽车的活跃行驶范围。其中，预设DBSCAN密度聚类函数可以根据DBSCAN密度聚类算法预先进行编写设置。具体地，活跃行驶范围的计算基于车辆一定周期内的位置数据，首先运用DBSCAN密度聚类算法对位置数据进行聚类，排除非经常运行线路位置对计算结果的影响。与K-means方法相比，DBSCAN密度聚类算法不需要事先知道需要形成的类簇数量，可以发现任意形状的簇类，能够识别出噪声点。聚类后得到的样本点最多的类簇是车辆经常的运行区域。类簇的中心点是车辆的活跃中心，活跃中心的计算方法是所有点经纬度的均值的位置，而活动半径是类簇中所有点到中心点的距离最大值。

需要说明的是，如果得到的分类模型分类的准确性不理想，可以通过增加数据源、特征类型、优化分类模型的方式提升分类模型的分类准确性。

202、确定与识别目标对应的分类模型组合流程。

步骤202具体包括：对识别目标进行解析，得到与识别目标对应的多个可选的活动状态；根据多个可选的活动状态之间的上下位关系，选择相应的分类模型进行组合，得到与识别目标对应的分类模型组合流程。

例如，如图4所示，当识别目标为基本人体活动的识别1(静止、步行、乘坐交通工具)时，与该目标对应的分类模型组合流程为分类模型①；当识别目标为基本人体活动的识别2(静止、走路、跑步、乘坐交通工具)时，与该目标对应的分类模型组合流程为分类模型①→②；当识别目标为交通工具的识别1(飞机、高铁、火车、汽车、地铁)时，与该目标对应的分类模型组合流程为分类模型①→③；当识别目标为交通工具的识别2(飞机、高铁、火车、汽车、地铁、出租车、私家车、大客车、公交车)时，与该目标对应的分类模型组合流程为分类模型①→③→④→⑤；当识别目标为乘客识别时，与该目标对应的分类模型组合流程为分类模型①→③→④；当识别目标为所有活动识别时，①→②→③→④→⑤。因此，可以实现的识别目标和分类模型组合流程如表1所示：

表1

对于本发明实施例，可以实现多目标人体活动识别，可以满足不同的用户需求，而为了说明本发明实施例的人体活动识别方法，以识别目标为所有活动的识别为例，依次执行以下步骤。

203、从终端数据中提取待识别用户移动终端的终端位置数据特征。

其中，终端位置数据特征包括移动速度最大值。

在本发明实施例中，用户身上携带移动终端，通过移动终端不同时刻的终端位置数据可以确定移动终端的移动速度最大值，进而确定用户的移动速度最大值。

204、根据终端位置数据特征，通过基本活动识别的决策树分类器对待识别用户的活动状态进行分类。

例如，根据移动终端在一定时间段内的GPS数据，计算待识别用户的移动速度最大值，然后将待识别用户的移动速度最大值带入到基本活动识别的决策树分类器，即步骤201中的分类模型①中，确定该移动速度最大值属于静止状态、步行状态、乘坐交通工具状态中的哪一个速度最大值范围内，进而可以实现静止状态、步行状态、乘坐交通工具状态的分类，通过基本活动识别的决策树分类器进行分类可以提高执行效率，当检测出待识别用户的活动状态为静止状态时，可以从该用户的移动终端数据中提取其他的特定数据特征，用于进一步地检测该用户具体的活动状态是吃饭、睡觉、做运动等活动中的哪一个活动状态，需要说明的是，此时移动终端为待识别用户随身佩带的终端设备，具体可以为智能手表、智能手环等。

205a、若根据分类结果确定待识别用户的基本活动状态为步行活动状态，则从终端数据中提取待识别用户移动终端的加速计数据特征。

其中，加速计数据特征包括加速度标准差、加速度25分位数之和、加速度75分位数之和。

206a、根据加速计数据特征，通过步行类别识别的支持向量机分类器对步行活动状态进行分类。

例如，将待识别用户移动终端的加速度标准差、加速度25分位数之和、加速度75分位数之和这些数据特征带入到步行类别识别的支持向量机分类器，即步骤201中的分类模型中②，计算得到这些数据特征属于走路状态、跑步状态中的哪一个数据特征范围内，进而可以实现走路状态和跑步状态的分类。若根据分类结果确定待识别用户的活动状态为走路状态，并且待识别用户的移动平均速度接近于跑步平均速度，那么可以进一步确定该用户处于竞走状态。

与步骤205a并列的步骤205b、若根据分类结果确定待识别用户的基本活动状态为乘坐交通工具活动状态，则从终端数据中提取待识别用户移动终端的终端位置数据特征和终端信号数据特征。

其中，终端位置数据特征包括移动速度平均值、全球定位***卫星个数，终端信号数据特征包括终端信号强度平均值，该终端信号可以为终端通讯信号和/或网络信号。

206b、根据终端位置数据特征和终端信号数据特征，通过交通工具识别的决策树分类器对乘坐交通工具活动状态进行分类。

例如，将待识别用户移动终端的移动速度平均值、全球定位***卫星个数、终端信号强度平均值这些数据特征带入到交通工具识别的决策树分类器，即步骤201中的分类模型③中，计算得到这些数据特征属于飞机、高铁、汽车、地铁、火车等中的哪一个数据特征范围内，进而可以实现飞机、高铁、汽车、地铁、火车等交通工具的识别，通过交通工具识别的决策树分类器进行分类可以提高执行效率。若根据分类结果确定待识别用户乘坐的交通工具为飞机，进一步地，还可以结合该用户终端位置的变化，确定飞行航线，查找此时相应的航班班次，进而确定该用户此时正在乘坐哪一架航班的飞机；同理，若确定待识别用户乘坐的交通工具为高铁、火车中的一种，进一步还可以结合该用户终端位置的变化，确定行驶路线，并最终确定该用户此时正在乘坐哪一趟列车；若根据分类结果确定待识别用户乘坐的交通工具为地铁，进一步还可以结合该用户终端位置，以及终端位置的变化，确定该用户在哪个城市坐地铁，并且坐的是几号线路，以及地铁行驶方向等。

207b、若根据分类结果确定待识别用户乘坐的交通工具为汽车，则从终端数据中提取用户移动终端的加速计数据特征和陀螺仪数据特征。

其中，加速计数据特征包括加速度标准差、加速度25分位数之和、加速度75分位数之和，而陀螺仪数据特征包括陀螺仪数据标准差。

208b、根据加速计数据特征和陀螺仪数据特征，通过乘客身份识别的K最邻近分类器进行分类得到用户对应的乘客身份。

例如，在驾驶员在驾驶过程中把移动终端放置在车内、不随身携带的前提下，将待识别用户移动终端的加速度标准差、加速度25分位数之和、加速度75分位数之和、陀螺仪数据标准差带入到乘客身份识别的K最邻近分类器，即步骤201中的分类模型④中，计算得到这些数据特征属于驾驶员、乘客中的哪一个数据特征范围内，进而可以实现驾驶员、乘客的识别。并且由于驾驶员和乘客特征存在交叉，选用乘客身份识别的K最邻近分类器，不仅可以实现状态分类，还可以给出属于某个类别的概率值。

在待识别用户确定乘客身份之后，还可以进一步确定该用户此时乘坐汽车的车辆类型，即执行步骤209b。

209b、从汽车在预定周期时间段内的车辆运行数据中提取车辆运行数据特征。

其中，车辆运行数据特征包含活跃行驶范围、行驶线路种类、每个预定时间间隔内的车辆累计运行时长。预定周期时间段可以根据实际需求进行选择配置。例如，预定周期时间段可以为车辆类型识别的决策树分类器的训练数据对应的时间段。

210b、根据车辆运行数据特征，通过车辆类型识别的决策树分类器进行分类得到汽车的车辆类型。

对于本发明实施例，对车辆类型的识别需要参考该车辆一定周期内运行的数据，具体的识别流程可以参考图7，首先根据待识别用户的移动终端数据进行检测，若检测到同一时间段内待识别用户的行进路线与某一车辆的行进路线相同，且行进速度也保持一致，即乘客与某一车辆保持相对静止，则说明该车辆的车辆类型即为该乘客乘坐车辆的车辆类型，然后根据该车辆的在一定周期内运行的数据，通过车辆类型识别的决策树分类器进行分类，其中，该车辆在一定周期内运行的数据可以通过放置在车辆中特定终端收集，也可以通过用户放置在车辆中的移动终端收集。

例如，将待识别车辆的活跃行驶范围、行驶线路种类、每个预定时间间隔内的车辆累计运行时长这些数据特征带入到车辆类型识别的决策树分类器，即步骤201中的分类模型⑤中，计算得到这些数据特征属于私家车、公交车、大客车、出租车等中的哪一个数据特征范围内，进而可以实现私家车、公交车、大客车、出租车等车辆类型的识别。

对于本发明实施例的具体应用场景可以如下所示，但不限于此，包括：

根据本发明实施例提供的人体活动识别方法，在用户移动终端中配置相应的客户端应用，通过该客户端应用可以监测用户每一天内所经历的各个活动状态，帮助用户可以更好的了解自身的健康状况。具体地，当该客户端应用需要对待识别用户进行活动状态识别时，可以首先默认设置相应的识别目标为基本活动识别目标，根据待识别用户移动终端当前采集到的一定时间段内的GPS数据，计算待识别用户的移动速度最大值，然后将待识别用户的移动速度最大值带入到基本活动识别的决策树分类器中进行计算分类，根据分类结果和当前所属的时间段，记录该待识别用户的活动状态。若待识别用户的活动状态为步行状态或乘坐交通工具状态，还可以进一步设置新的识别目标并提取待识别用户移动终端新的特征数据，再进行更细粒度的待识别用户的活动状态识别，进而可以识别出待识别用户的活动状态是否为走路状态或跑步状态、又或者为乘坐‘飞机、高铁、汽车、地铁、火车’等中的哪一个交通工具，最后根据识别结果和当前所属的时间段，记录该待识别用户的活动状态，以便用户了解一天中自身所经历了哪些活动状态，每一种活动状态都经历了多长时间。

本发明实施例提供的另一种人体活动识别方法，可以实现多目标人体活动识别，通过对待识别用户的活动状态进行逐层多级分类，可以将分类任务分解为多级分类任务，整个过程减少了每一层级分类的数据特征数和活动目标数，同时每一级分类可以选取最适宜、准确度最高的分类方法，可以降低多活动目标识别时数据特征选取的复杂度，避免数据特征提取偏差导致的人体活动识别准确率低，从而提高了人体活动识别的准确性。

进一步地，作为图1所述方法的具体实现，本发明实施例提供了一种人体活动识别装置，如图8所示，所述装置包括：获取单元31、确定单元32、分类单元33。

获取单元31，可以用于当接收到用户活动状态的识别指令时，获取所述识别指令中携带的需要对待识别用户进行活动识别的识别目标，以及获取所述待识别用户移动终端的终端数据。获取单元31可以为本装置中获取终端数据以及识别目标的主要功能模块，并触发确定单元32进行工作，其中，识别目标可以为基本人体活动的识别目标、交通工具的识别目标等。

确定单元32，可以用于确定与所述获取单元31获取的识别目标对应的分类模型组合流程，不同的识别目标分别对应不同的分类模型组合流程，所述分类模型组合流程中包含按照预定顺序排列的一个或多个分类模型。确定单元32为本装置中确定分类模型组合流程的主要功能模块，对于本发明实施例，可以根据具体的识别目标和分类模型之间的层级关系，选择相应的分类模型进行组合排序，得到与该识别目标对应的分类模型组合流程，以便根据该分类模型组合流程进行人体活动识别。

分类单元33，可以用于根据所述确定单元32确定的分类模型组合流程和所述获取单元获取的终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，得到所述待识别用户的活动状态，其中，上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系。例如，通过上一层级分类模型分类得到的活动状态为乘交通工具活动状态，而下一层级分类模型分类可选的活动状态为乘飞机活动状态、乘高铁活动状态、乘汽车活动状态、乘地铁活动状态、乘火车活动状态，这里乘交通工具活动状态与乘飞机活动状态、乘高铁活动状态、乘汽车活动状态、乘地铁活动状态、乘火车活动状态之间具有上下位关系。

需要说明的是，本发明实施例提供的一种人体活动识别装置所涉及各功能单元的其他相应描述，可以参考图1中的对应描述，在此不再赘述。

本发明实施例提供的一种人体活动识别装置，包括：获取单元、确定单元、分类单元，与目前通过多类分类器实现人体活动识别的方式相比，在确定单元确定与需要对待识别用户进行活动识别的识别目标对应的分类模型组合流程后，分类单元根据该分类模型组合流程和获取单元获取的待识别用户移动终端的终端数据的数据特征，通过对待识别用户的活动状态进行逐层多级分类，可以将分类任务分解为多级分类任务，并且上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系，进而可以将一些相似人体活动状态先分类为一个统称活动状态，再对该统称活动状态进行细分找到用户实际的活动状态，整个过程减少了每一层级分类的数据特征数和活动目标数，可以降低多活动目标识别时数据特征选取的复杂度，避免数据特征提取偏差导致的人体活动识别准确率低，从而提高了人体活动识别的准确性。

进一步地，作为图3所述方法的具体实现，本发明实施例提供了另一种人体活动识别装置，如图9所示，所述装置包括：获取单元41、确定单元42、分类单元43。

获取单元41，可以用于当接收到用户活动状态的识别指令时，获取所述识别指令中携带的需要对待识别用户进行活动识别的识别目标，以及获取所述待识别用户移动终端的终端数据。

确定单元42，可以用于确定与所述获取单元41获取的识别目标对应的分类模型组合流程，不同的识别目标分别对应不同的分类模型组合流程，所述分类模型组合流程中包含按照预定顺序排列的一个或多个分类模型。

分类单元43，可以用于根据所述确定单元42确定的分类模型组合流程和所述获取单元获取的终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，得到所述待识别用户的活动状态，其中，上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系。

为了能够对待识别用户活动状态及时进行识别，需要提前训练完毕相应的分类模型，以便得到准确的分类结果，进一步地，所述装置还包括：训练单元44。

所述获取单元41，可以用于获取收集到的不同用户移动终端的终端数据。

所述训练单元44，可以用于根据不同的活动状态，提取所述终端数据中相应的特征数据进行训练，得到活动状态对应的分类模型。

所述确定单元42，具体可以用于对所述识别目标进行解析，得到与所述识别目标对应的多个可选的活动状态；根据所述多个可选的活动状态之间的上下位关系，选择相应的分类模型进行组合，得到与所述识别目标对应的分类模型组合流程。对于本发明实施例，可以实现多目标人体活动识别，可以满足不同的用户需求。

所述分类单元43，具体可以用于若所述识别目标为所述待识别用户的基本活动识别，则从所述终端数据中提取所述待识别用户移动终端的终端位置数据特征；根据所述终端位置数据特征，通过基本活动识别的决策树分类器对所述待识别用户的活动状态进行分类，可以使得执行效率较高；若根据分类结果确定所述待识别用户的基本活动状态为步行活动状态，则从所述终端数据中提取待识别用户移动终端的加速计数据特征；根据所述加速计数据特征，通过步行类别识别的支持向量机分类器对所述步行活动状态进行分类。

所述分类单元43，具体还可以用于若根据分类结果确定所述待识别用户的基本活动状态为乘坐交通工具活动状态、且所述识别目标为所述待识别用户乘坐的交通工具识别，则从所述终端数据中提取待识别用户移动终端的终端位置数据特征和终端信号数据特征；根据所述终端位置数据特征和所述终端信号数据特征，通过交通工具识别的决策树分类器对所述乘坐交通工具活动状态进行分类；若根据分类结果确定所述待识别用户乘坐的交通工具为汽车，则从所述用户移动终端的历史终端数据中提取所述汽车在预定周期时间段内的车辆运行数据特征；根据所述车辆运行数据特征，通过车辆类型识别的决策树分类器进行分类得到所述汽车的车辆类型。

可选地，车辆运行数据特征包含活跃行驶范围、行驶线路种类、每个预定时间间隔内的车辆累计运行时长。其中，预定时间间隔可以根据实际需求进行设定，如每个预定时间间隔可以为每个季度、每月、每半个月等，车辆累计运行时长可以为车辆累计驾驶时间；行驶线路种类包括将驾驶数据按行程划分，行程是一次有起点和终点的驾驶任务，具有相同起点和终点的线路可以认为是一种线路。

所述确定单元42，还可以用于通过预设DBSCAN密度聚类函数，对在所述预定周期时间段内所述汽车的车辆位置数据进行密度聚类，得到各个类簇；将所述各个类簇中样本点最多的类簇的中心点，确定为所述汽车的活跃中心点，并将所述样本点最多的类簇中所有点到所述活跃中心点的距离最大值，确定为所述汽车的行驶活跃半径；根据所述活跃中心点和所述行驶活跃半径，确定所述汽车的活跃行驶范围。其中，预设DBSCAN密度聚类函数可以根据DBSCAN密度聚类算法预先进行编写设置，与K-means方法相比，DBSCAN密度聚类算法不需要事先知道需要形成的类簇数量，可以发现任意形状的簇类，能够识别出噪声点。

所述分类单元43，具体还可以用于若根据分类结果确定所述待识别用户乘坐的交通工具为汽车、且所述识别目标为所述待识别用户的乘客身份识别，则从所述终端数据中提取待识别用户移动终端的加速计数据特征和陀螺仪数据特征；根据所述加速计数据特征和所述陀螺仪数据特征，通过乘客身份识别的K最邻近分类器进行分类得到所述待识别用户对应的乘客身份。通过K最邻近分类器进行分类，不仅可以实现状态分类，还可以给出属于某个类别的概率值。

需要说明的是，本发明实施例提供的另一种人体活动识别装置所涉及各功能单元的其他相应描述，可以参考图3中的对应描述，在此不再赘述。

本发明实施例提供的另一种人体活动识别装置，包括：获取单元、确定单元、分类单元、训练单元，可以实现多目标人体活动识别，通过分类单元对用户的活动状态进行逐层多级分类，可以将分类任务分解为多级分类任务，整个过程减少了每一层级分类的数据特征数和活动目标数，同时每一级分类可以选取最适宜、准确度最高的分类方法，可以降低多活动目标识别时数据特征选取的复杂度，避免数据特征提取偏差导致的人体活动识别准确率低，从而提高了人体活动识别的准确性。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种人体活动识别方法及装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种人体活动识别方法，其特征在于，包括：

当接收到用户活动状态的识别指令时，获取所述识别指令中携带的需要对待识别用户进行活动识别的识别目标，以及获取所述待识别用户移动终端的终端数据；

确定与所述识别目标对应的分类模型组合流程，不同的识别目标分别对应不同的分类模型组合流程，所述分类模型组合流程中包含按照预定顺序排列的一个或多个分类模型；

根据确定的所述分类模型组合流程和所述终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，得到所述待识别用户的活动状态，其中，上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系。

2.根据权利要求1所述的人体活动识别方法，其特征在于，所述方法还包括：

获取收集到的不同用户移动终端的终端数据；

根据不同的活动状态，提取所述终端数据中相应的特征数据进行训练，得到活动状态对应的分类模型；

所述确定与所述识别目标对应的分类模型组合流程，具体包括：

对所述识别目标进行解析，得到与所述识别目标对应的多个可选的活动状态；

根据所述多个可选的活动状态之间的上下位关系，选择相应的分类模型进行组合，得到与所述识别目标对应的分类模型组合流程。

3.根据权利要求1所述的人体活动识别方法，其特征在于，若所述识别目标为所述用户的基本活动识别，则所述根据确定的所述分类模型组合流程和所述终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，具体包括：

从所述终端数据中提取所述待识别用户移动终端的终端位置数据特征；

根据所述终端位置数据特征，通过基本活动识别的决策树分类器对所述待识别用户的活动状态进行分类；

若根据分类结果确定所述待识别用户的基本活动状态为步行活动状态，则从所述终端数据中提取待识别用户移动终端的加速计数据特征；

根据所述加速计数据特征，通过步行类别识别的支持向量机分类器对所述步行活动状态进行分类。

4.根据权利要求3所述的人体活动识别方法，其特征在于，若根据分类结果确定所述待识别用户的基本活动状态为乘坐交通工具活动状态、且所述识别目标为所述待识别用户乘坐的交通工具识别，则所述根据确定的所述分类模型组合流程和所述终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，具体还包括：

从所述终端数据中提取待识别用户移动终端的终端位置数据特征和终端信号数据特征，所述终端信号为终端通讯信号和/或终端网络信号；

根据所述终端位置数据特征和所述终端信号数据特征，通过交通工具识别的决策树分类器对所述乘坐交通工具活动状态进行分类；

若根据分类结果确定所述待识别用户乘坐的交通工具为汽车，则从所述汽车在预定周期时间段内的车辆运行数据中提取车辆运行数据特征；

根据所述车辆运行数据特征，通过车辆类型识别的决策树分类器进行分类得到所述汽车的车辆类型。

5.根据权利要求4所述的人体活动识别方法，其特征在于，所述车辆运行数据特征包含活跃行驶范围、行驶线路种类、每个预定时间间隔内的车辆累计运行时长，所述活跃行驶范围的确定方式包括：

通过预设DBSCAN密度聚类函数，对在所述预定周期时间段内所述汽车的车辆位置数据进行密度聚类，得到各个类簇；

将所述各个类簇中样本点最多的类簇的中心点，确定为所述汽车的活跃中心点，并将所述样本点最多的类簇中所有点到所述活跃中心点的距离最大值，确定为所述汽车的行驶活跃半径；

根据所述活跃中心点和所述行驶活跃半径，确定所述汽车的活跃行驶范围。

6.根据权利要求4所述的人体活动识别方法，其特征在于，若根据分类结果确定所述待识别用户乘坐的交通工具为汽车、且所述识别目标为所述待识别用户的乘客身份识别，则所述根据确定的所述分类模型组合流程和所述终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，具体还包括：

从所述终端数据中提取待识别用户移动终端的加速计数据特征和陀螺仪数据特征；

根据所述加速计数据特征和所述陀螺仪数据特征，通过乘客身份识别的K最邻近分类器进行分类得到所述待识别用户对应的乘客身份。

7.一种人体活动识别装置，其特征在于，包括：

获取单元，用于当接收到用户活动状态的识别指令时，获取所述识别指令中携带的需要对待识别用户进行活动识别的识别目标，以及获取所述待识别用户移动终端的终端数据；

确定单元，用于确定与所述获取单元获取的识别目标对应的分类模型组合流程，不同的识别目标分别对应不同的分类模型组合流程，所述分类模型组合流程中包含按照预定顺序排列的一个或多个分类模型；

分类单元，用于根据所述确定单元确定的分类模型组合流程和所述获取单元获取的终端数据的数据特征，对所述待识别用户的活动状态进行逐层多级分类，得到所述待识别用户的活动状态，其中，上一层级分类模型分类得到的活动状态与下一层级分类模型分类可选的活动状态之间具有上下位关系。

8.根据权利要求7所述的人体活动识别装置，其特征在于，所述装置还包括：训练单元；

所述获取单元，用于获取收集到的不同用户移动终端的终端数据；

所述训练单元，用于根据不同的活动状态，提取所述终端数据中相应的特征数据进行训练，得到活动状态对应的分类模型；

所述确定单元，具体用于对所述识别目标进行解析，得到与所述识别目标对应的多个可选的活动状态；

根据所述多个可选的活动状态之间的上下位关系，选择相应的分类模型进行组合，得到与所述识别目标对应的分类模型组合流程。

9.根据权利要求7所述的人体活动识别装置，其特征在于，

所述分类单元，具体用于若所述识别目标为所述待识别用户的基本活动识别，则从所述终端数据中提取所述待识别用户移动终端的终端位置数据特征；

根据所述终端位置数据特征，通过基本活动识别的决策树分类器对所述待识别用户的活动状态进行分类；

若根据分类结果确定所述待识别用户的基本活动状态为步行活动状态，则从所述终端数据中提取待识别用户移动终端的加速计数据特征；

根据所述加速计数据特征，通过步行类别识别的支持向量机分类器对所述步行活动状态进行分类。

10.根据权利要求9所述的人体活动识别装置，其特征在于，

所述分类单元，具体还用于若根据分类结果确定所述待识别用户的基本活动状态为乘坐交通工具活动状态、且所述识别目标为所述待识别用户乘坐的交通工具识别，则从所述终端数据中提取待识别用户移动终端的终端位置数据特征和终端信号数据特征，所述终端信号为终端通讯信号和/或终端网络信号；

根据所述终端位置数据特征和所述终端信号数据特征，通过交通工具识别的决策树分类器对所述乘坐交通工具活动状态进行分类；

若根据分类结果确定所述待识别用户乘坐的交通工具为汽车，则从所述汽车在预定周期时间段内的车辆运行数据中提取车辆运行数据特征；

根据所述车辆运行数据特征，通过车辆类型识别的决策树分类器进行分类得到所述汽车的车辆类型。