CN107480692A - 一种基于主成份分析的人体行为识别方法 - Google Patents
一种基于主成份分析的人体行为识别方法 Download PDFInfo
- Publication number
- CN107480692A CN107480692A CN201710545528.0A CN201710545528A CN107480692A CN 107480692 A CN107480692 A CN 107480692A CN 201710545528 A CN201710545528 A CN 201710545528A CN 107480692 A CN107480692 A CN 107480692A
- Authority
- CN
- China
- Prior art keywords
- human body
- response
- human
- bodys
- body behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种基于主成份分析的人体行为识别方法,包括人体行为建模处理和人体行为识别处理,人体行为建模处理包括以下步骤:获取训练的数据集;基于过滤式特征选择方法对基础特征信息进行提取;对提取所得的基础特征信息数据集进行K‑means算法聚类处理,并生成人体行为分类器;人体行为识别处理包括以下步骤:构建BP神经网络模型;将人体行为分类数据导入神经网络,使用拟牛顿倒传递法进行训练;通过BP神经网络算法对所述的人体分类器进行持续完善与优化;对输出结果进行离散化处理,得到人体行为识别处理结果。本发明简单高效、识别准确率较高、具有较好的扩展性、工作性能稳定可靠且应用较为广泛。
Description
技术领域
本发明涉及计算机模式识别领域,更进一步设计机器学习及人体行为分析与智能理解技术领域,具体是指一种计算机***中基于主成份分析技术针对人体行为进行建模和识别的处理方法,从而在此基础上实现计算机自主地对于不同行为进行分类识别。
背景技术
人体行为的识别和分析是现代计算机领域中的研究热点,其研究主要致力于寻找使计算机智能地学习和识别人类行为乃至人类复杂行为的技术方法。通过摄像头获取的图像中对人体行为的识别与理解是十分重要的,但是监控摄像头同时也存在有监控范围受限,且室内监控容易侵犯个人隐私等缺点。
随着电子元器件集成度的发展,传感器功能的丰富,部分专家学者提出了基于穿戴式装置检测分析的方法。将内嵌各式传感器的装置设备,佩戴在人体运动关键位置,对人体运动中获取的传感器数据进行分析,由此识别人体姿态。目前基于此方法进行的建模与识别普遍存在着过于复杂,往往针对某类实际应用,扩展性较弱等缺陷。
发明内容
为了克服已有人体行为识别方法的建模复杂、识别准确率较低、扩展性较差、适用性较差的不足,本发明提供一种简单高效、识别准确率较高、具有较好的扩展性、工作性能稳定可靠且应用较为广泛的基于主成份分析的人体行为识别方法。
本发明解决其技术问题所采用的技术方案是:
一种基于主成份分析的人体行为识别方法,所述识别方法包括人体行为建模处理和人体行为识别处理,
所述的人体行为建模处理,包括以下步骤:
1.1)获取训练的数据集;
1.2)基于过滤式特征选择方法对基础特征信息进行提取;
1.3)对提取所得的基础特征信息数据集进行K-means算法聚类分析处理,并生成人体行为分类器;
所述的人体行为识别处理,包括以下步骤:
2.1)构建BP神经网络模型,使用主成份分析法选择一个低维空间,将输入在该特征空间中的投影作为输入的特征,对输入进行降维处理,设置隐含层为3个节点,输出1个节点;
2.2)将人体行为分类数据导入神经网络,使用拟牛顿倒传递法进行训练;
2.3)通过BP神经网络算法对所述的人体分类器进行持续完善与优化;
2.4)对输出结果进行离散化处理,得到人体行为识别处理结果。
进一步,所述步骤2.1)中,隐含层节点数量的选取可以通过“试错法”循环运算得到。
本发明的有益效果主要表现在:1),本发明使用过滤式特征选择方法对佩戴式传感器采集所得的数据进行预处理,相比于经典的线性判别式分析算法,可以在大幅度增加其描述准确性的同时有效降低数据集的维度。2),本发明使用主成份分析方法对特征属性组合进行降维处理,消除了特征的冗余性并避免了维度灾难,得到了有效的人体行为特征数据集合。3),本发明使用BP神经网络算法,结合拟牛顿倒传递法进行训练,克服了现有技术中机器学习算法复杂度高的不足,提高了人体行为识别的计算效率,使本发明具有识别速度更快的优点。
附图说明
图1是一种基于主成份分析的人体行为识别方法的流程图。
图2是使用主成分分析法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1,一种基于主成份分析的人体行为识别方法,所述识别方法包括人体行为建模处理和人体行为识别处理,
所述的人体行为建模处理,包括以下步骤:
1.1)获取训练的数据集;
1.2)基于过滤式特征选择方法对基础特征信息进行提取;
1.3)对提取所得的基础特征信息数据集进行K-means聚类分析处理,并生成人体行为分类器;
所述的人体行为识别处理,包括以下步骤:
2.1)构建BP神经网络模型,使用主成份分析法对输入进行降维处理,设置隐含层为3个节点,输出1个节点,隐含层节点数量的选取可以通过“试错法”循环运算得到;
2.2)将人体行为分类数据导入神经网络,使用拟牛顿倒传递法进行训练;
2.3)通过BP神经网络算法对所述的人体分类器进行持续完善与优化;
2.4)对输出结果进行离散化处理,得到人体行为识别处理结果。
本实施例中,获取训练待训练的数据,数据由内嵌各式传感器的穿戴式装置给出,本发明选取了人体骨架的若干关节点信息,应注意选取的方法并不唯一,仍存在其他等效的实施例;
使用过滤式特征选择方法对基础特征信息进行提取,算出互信息值,依互信息值按降序选出k个特征,用交叉验证选择k值;
构建BP神经网络,使用监督学习方式通过已知输入模式进行训练,将训练数据作为输入单元,行为标签号作为输出单元,将神经网络进行1~3种类别的分类,输出神经单元为3,代表3种不同的行为状态;
使用主成份分析法选择一个低维空间,将输入在该特征空间中的投影作为输入的特征,对输入进行降维处理,设置隐含层为3个节点,输出1个节点;
将所述人体行为分类数据导入神经网络,使用拟牛顿倒传递法进行训练;
通过BP神经网络算法对所述的人体分类器进行持续完善与优化;
对输出结果进行离散化处理,得到人体行为识别处理结果。
Claims (2)
1.一种基于主成份分析的人体行为识别方法,其特征在于:所述识别方法包括人体行为建模处理和人体行为识别处理,
所述的人体行为建模处理,包括以下步骤:
1.1)获取训练的数据集;
1.2)基于过滤式特征选择方法对基础特征信息进行提取;
1.3)对提取所得的基础特征信息数据集进行K-means算法聚类分析处理,并生成人体行为分类器;
所述的人体行为识别处理,包括以下步骤:
2.1)构建BP神经网络模型,使用主成份分析法选择一个低维空间,将输入在该特征空间中的投影作为输入的特征,对输入进行降维处理,设置隐含层为3个节点,输出1个节点;
2.2)将人体行为分类数据导入神经网络,使用拟牛顿倒传递法进行训练;
2.3)通过BP神经网络算法对所述的人体分类器进行持续完善与优化;
2.4)对输出结果进行离散化处理,得到人体行为识别处理结果。
2.如权利要求1所述的一种基于主成份分析的人体行为识别方法,其特征在于:所述步骤2.1)中,隐含层节点数量的选取可以通过“试错法”循环运算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710545528.0A CN107480692A (zh) | 2017-07-06 | 2017-07-06 | 一种基于主成份分析的人体行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710545528.0A CN107480692A (zh) | 2017-07-06 | 2017-07-06 | 一种基于主成份分析的人体行为识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107480692A true CN107480692A (zh) | 2017-12-15 |
Family
ID=60596496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710545528.0A Pending CN107480692A (zh) | 2017-07-06 | 2017-07-06 | 一种基于主成份分析的人体行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480692A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932530A (zh) * | 2018-06-29 | 2018-12-04 | 新华三大数据技术有限公司 | 标签体系的构建方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268495A (zh) * | 2013-05-31 | 2013-08-28 | 公安部第三研究所 | 计算机***中基于先验知识聚类的人体行为建模识别方法 |
CN104281853A (zh) * | 2014-09-02 | 2015-01-14 | 电子科技大学 | 一种基于3d卷积神经网络的行为识别方法 |
CN105184325A (zh) * | 2015-09-23 | 2015-12-23 | 歌尔声学股份有限公司 | 一种人体动作识别方法和移动智能终端 |
CN106650619A (zh) * | 2016-11-15 | 2017-05-10 | 上海师范大学 | 一种人体动作识别方法 |
CN106909891A (zh) * | 2017-01-24 | 2017-06-30 | 华南农业大学 | 一种基于自反馈基因表达式编程的人体行为识别方法 |
-
2017
- 2017-07-06 CN CN201710545528.0A patent/CN107480692A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268495A (zh) * | 2013-05-31 | 2013-08-28 | 公安部第三研究所 | 计算机***中基于先验知识聚类的人体行为建模识别方法 |
CN104281853A (zh) * | 2014-09-02 | 2015-01-14 | 电子科技大学 | 一种基于3d卷积神经网络的行为识别方法 |
CN105184325A (zh) * | 2015-09-23 | 2015-12-23 | 歌尔声学股份有限公司 | 一种人体动作识别方法和移动智能终端 |
CN106650619A (zh) * | 2016-11-15 | 2017-05-10 | 上海师范大学 | 一种人体动作识别方法 |
CN106909891A (zh) * | 2017-01-24 | 2017-06-30 | 华南农业大学 | 一种基于自反馈基因表达式编程的人体行为识别方法 |
Non-Patent Citations (2)
Title |
---|
吴婷,周宇: "基于BP神经网络的人体行为识别方法研究与实现", 《教育教学论坛》 * |
马文光 等: "《流域梯级水电站群联合优化运行》", 30 April 2008, 北京:中国建筑工业出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932530A (zh) * | 2018-06-29 | 2018-12-04 | 新华三大数据技术有限公司 | 标签体系的构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Shallow convolutional neural networks for human activity recognition using wearable sensors | |
CN110569795B (zh) | 一种图像识别方法、装置以及相关设备 | |
CN107153871B (zh) | 基于卷积神经网络和手机传感器数据的跌倒检测方法 | |
CN107506781A (zh) | 一种基于bp神经网络的人体行为识别方法 | |
CN104933417B (zh) | 一种基于稀疏时空特征的行为识别方法 | |
CN103268495B (zh) | 计算机***中基于先验知识聚类的人体行为建模识别方法 | |
CN110058699B (zh) | 一种基于智能移动设备传感器的用户行为识别方法 | |
Lu et al. | A multichannel CNN-GRU model for human activity recognition | |
CN109145868A (zh) | 一种辅助跑步训练的行为识别方法与装置 | |
CN111860188A (zh) | 一种基于时间和通道双注意力的人体姿态识别方法 | |
CN109726662A (zh) | 基于卷积和循环组合神经网络的多类别人体姿态识别方法 | |
CN107943276A (zh) | 基于大数据平台的人体行为检测和预警 | |
CN110633624A (zh) | 一种基于多特征融合的机器视觉人体异常行为识别方法 | |
CN111753683A (zh) | 一种基于多专家卷积神经网络的人体姿态识别方法 | |
CN108960171B (zh) | 一种基于特征迁移学习的转换手势识别到身份识别的方法 | |
CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及*** | |
CN106406516A (zh) | 一种智能手机本地实时的运动轨迹特征提取与识别方法 | |
CN108227905A (zh) | 一种基于表面肌电信号的游戏控制*** | |
CN109460792A (zh) | 一种基于图像识别的人工智能模型训练方法及装置 | |
CN114241270A (zh) | 一种家庭护理智能监督方法、***及装置 | |
CN107480692A (zh) | 一种基于主成份分析的人体行为识别方法 | |
CN107463689A (zh) | 运动特征数据库的生成方法、运动状态识别方法及终端 | |
Li et al. | [Retracted] Human Motion Representation and Motion Pattern Recognition Based on Complex Fuzzy Theory | |
Zhao | Research on athlete behavior recognition technology in sports teaching video based on deep neural network | |
Cao et al. | Exploration of new community fitness mode using intelligent life technology and AIoT |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |
|
RJ01 | Rejection of invention patent application after publication |