CN109389141B - 测量数据的处理方法和装置 - Google Patents
测量数据的处理方法和装置 Download PDFInfo
- Publication number
- CN109389141B CN109389141B CN201710693904.0A CN201710693904A CN109389141B CN 109389141 B CN109389141 B CN 109389141B CN 201710693904 A CN201710693904 A CN 201710693904A CN 109389141 B CN109389141 B CN 109389141B
- Authority
- CN
- China
- Prior art keywords
- sequence
- frame
- dimension
- feature
- measurement data
- 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.)
- Active
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 119
- 238000012545 processing Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 230000006399 behavior Effects 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003672 processing method Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种测量数据的处理方法和装置,其中,方法包括:根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列,将原始序列划分为多个帧,针对每一个帧,根据帧对应测量时间点的测量数据,采用多种算法扩展原始序列的维度,得到帧的各维度序列,对帧的各维度序列,分别进行多个维度特征提取,得到帧的特征向量,对帧的特征向量进行分类处理,以从预设的属性中,确定帧的属性。通过引入多个算法扩展原始序列的维度,并利用多种特征提取的方法,得到较多的特征数据,解决了现有技术中对数据进行分析时采用较少的维度进行特征提取,得到的特征数据较少,导致人体行为识别的准确度较低,无法反应用户的真实行为的技术问题。
Description
技术领域
本发明涉及测试技术领域,尤其涉及一种测量数据的处理方法和装置。
背景技术
伴随移动计算,网络与传感器技术的普及与提高,识别与追踪人体活动成为了可穿戴领域的重要应用。通过追踪人体行为建立人体健康图谱,而人体行为识别包括坐、站、走、跑步、骑车和开车等独立行为识别与发现,也包括一段较长时间内各种不同行为状态的切换。
对人体行为的识别,基于测量得到的特征数量的分析,而现有技术中对数据进行分析时使用的维数较少,从而提取得到的特征和信息有限,导致人体行为识别的准确度较低,无法反应用户的真实行为。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种测量数据的处理方法,解决了现有技术中对数据进行分析时采用较少的维度进行特征提取,得到的特征数据较少,导致人体行为识别的准确度较低,无法反应用户的真实行为的技术问题。
本发明的第二个目的在于提出一种测量数据的处理装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的,本发明第一方面实施例提出了一种测量数据的处理方法,包括:
根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列;
将所述原始序列划分为多个帧;其中,每一个帧对应多个测量时间点;
针对每一个帧,根据所述帧对应测量时间点的测量数据,采用多种算法进行扩维,得到所述帧的各维度序列;
对所述帧的各维度序列,分别进行多个维度特征提取,得到所述帧的特征向量;所述特征向量,包括对每一维度序列进行特征提取得到的特征子向量,每一个特征子向量包括多个维度特征;
对所述帧的特征向量进行分类处理,以从预设的属性中,确定所述帧的属性。
本实施例提出的一种测量数据的处理方法中,根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列,将原始序列划分为多个帧,针对每一个帧,根据帧对应测量时间点的测量数据,采用多种算法进行扩维,得到帧的各维度序列,对帧的各维度序列,分别进行多个维度的特征提取,得到帧的特征向量,对帧的特征向量进行分类处理,以从预设的属性中,确定帧的属性。通过引入多个算法进行扩维计算,并利用多个维度进行特征提取,得到较多的特征数据,解决了现有技术中对数据进行分析时采用较少的维度进行特征提取,得到的特征数据较少,导致人体行为识别的准确度较低,无法反应用户的真实行为的技术问题。
为达上述目的,本发明第二方面实施例提出了一种测量数据的处理装置,包括:
生成模块,用于根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列;
划分模块,用于将所述原始序列划分为多个帧;其中,每一个帧对应多个测量时间点;
运算模块,用于针对每一个帧,根据所述帧对应测量时间点的测量数据,采用多种算法进行扩维,得到所述帧的各个维度序列;
特征提取模块,用于对所述帧的各维度序列,分别进行多个维度特征提取,得到所述帧的特征向量;所述特征向量,包括对每一维度序列进行特征提取得到的特征子向量,每一个特征子向量包括多个维度特征;
处理模块,用于对所述帧的特征向量进行分类处理,以从预设的属性中,确定所述帧的属性。
本实施例提出的一种测量数据的处理装置中,生成模块根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列,划分模块将原始序列划分为多个帧,运算模块针对每一个帧,根据帧对应测量时间点的测量数据,采用多种算法进行扩维计算,得到帧的各维度的序列,特征提取模块对帧的各维度序列,分别进行多个维度特征提取,得到帧的特征向量,处理模块对帧的特征向量进行分类处理,以从预设的属性中,确定帧的属性。通过引入多个算法进行扩维,并利用多个维度进行特征提取,得到较多的特征数据,解决了现有技术中对数据进行分析时采用原始数据或较少的维度进行特征提取,得到的特征数据较少,导致人体行为识别的准确度较低,无法反应用户的真实行为的技术问题。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现第一方面实施例所述的测量数据的处理方法。
为了实现上述目的,本发明第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现第一方面实施例所述的测量数据的处理方法。
为了实现上述目的,本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,实现第一方面实施例所述的测量数据的处理方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种测量数据的处理方法的流程示意图;
图2为本发明实施例所提供的另一种测量数据的处理方法的流程示意图;
图3为本发明实施例提出的将三维信号通过多种算法扩维并对每一维度序列进行特征提取的示意图;
图4为连续帧的行为类别修正方法示意图;
图5为本发明实施例提供的一种测量数据的处理装置的结构示意图;
图6为本发明实施例所提供的另一种测量数据的处理装置的结构示意图;以及
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的测量数据的处理方法和装置。
图1为本发明实施例所提供的一种测量数据的处理方法的流程示意图,如图1所示,该方法包括:
步骤S101,根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列。
具体地,获取传感器或时间序列在三维空间上各测量时间点的测量数据,生成原始序列其中为三维空间中第一维度空间内,测量时间点i的测量数据xi构成的序列,为三维空间中第二维度空间内,测量时间点i的测量数据yi构成的序列,为三维空间中第三维度空间内,测量时间点i的测量数据zi构成的序列,测量时间点i的总数为M个。
步骤S102,将原始序列划分为多个帧。
具体地,以预设长度和预设偏移量,将原始序列划分为多个帧,其中,每一个帧对应多个测量时间点。
例如,原始序列为M长的序列,即有M个测量时间点,预设长度为W,预设偏移量为1,在长为M的序列上,利用长度为W的窗口进行滑动,每次滑动的偏移量为1,从而将序列划分为多个帧。
步骤S103,针对每一个帧,根据帧对应测量时间点的测量数据,采用多种算法进行扩维,得到帧的各维度序列。
其中,多种算法包括差分、轨迹生成算法f、各种角度空间算法和各级范数中的至少两个。
具体地,根据帧对应测量时间点的测量数据,采用多种算法进行扩维,得到帧的各维度序列,包括:
步骤S104,对帧的各维度序列,分别进行多个维度的特征提取,得到帧的特征向量。
具体地,对每一个维度的序列,进行多种特征提取,得到原始序列的多个维度的特征,根据原始序列的多个维度特征,生成对应各个维度序列的特征子向量,根据属于相同帧的各维度序列的特征子向量,生成帧的特征向量。
步骤S105,对帧的特征向量进行分类处理,以从预设的属性中,确定帧的属性。
具体地,将帧的特征向量,输入预先训练的模型,以使模型输出帧的属性,其中,模型包括所有分类模型比如决策树模型、随机森林模型、支持向量机和深度神经网络模型中的至少一个。
本实施例提出的一种测量数据的处理方法中,根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列,将原始序列划分为多个帧,针对每一个帧,根据帧对应测量时间点的测量数据,采用多种算法进行扩维计算,得到帧的各维度的序列,对帧的各维度序列,分别提取多种特征,得到帧的特征向量,对帧的特征向量进行分类处理,以从预设的属性中,确定帧的属性。通过引入多个算法进行扩维计算,并利用多个维度进行特征提取,得到较多的特征数据,解决了现有技术中对数据进行分析时采用较少的维度进行特征提取,得到的特征数据较少,导致人体行为识别的准确度较低,无法反应用户的真实行为的技术问题。
在上述实施例的基础上,本发明还提出了另一种可能的测量数据的处理方法,图2为本发明实施例所提供的另一种测量数据的处理方法的流程示意图,如图2所示,该方法包括:
步骤S201,根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列。
举例,若测量时间点为M个,则生成的原始序列即为M长的时间序列,在实际应用中,该时间序列可以是采集不同的传感器信号得到的,该传感器可以是加速度传感器、陀螺仪和磁场仪,本实施例中对传感器类型不做限定。
具体地,获取传感器在三维空间上各测量时间点的测量数据,生成原始序列其中为三维空间中第一维度空间内,测量时间点i的测量数据xi构成的序列,为三维空间中第二维度空间内,测量时间点i的测量数据yi构成的序列,为三维空间中第三维度空间内,测量时间点i的测量数据zi构成的序列,测量时间点i的总数为M个。
步骤S202,将所述原始序列划分为多个帧。
例如,采用偏移一个测量时间点的帧划分方式,在长为M的序列上,利用长度为W的窗口进行滑动,每次滑动的偏移量为1,即得到多个帧。
步骤S203,针对每一个帧,根据帧对应测量时间点的测量数据,采用多种算法进行扩维,得到帧的各维度序列。
需要解释的是,本实施例中采用了上述算法中的至少2个。
需要说明的是,对其他帧进行计算,得到对应帧的维度序列的方法相同,此处不一一赘述。
步骤S204,对每一个维度序列,进行多个维度的特征提取,得到维度序列的多个维度特征。
具体地,多个维度包括均值、方差、分位数值、频谱系数、均值穿过率、峰值、最小值和峰峰值中的至少两个。
图3为本发明实施例提出的将三维信号通过多种算法扩维并对每一维度序列进行特征提取的示意图,进一步清楚解释了步骤S203和步骤S204,如图3所示,A为包含所有帧的原始的三维信号,共有3个维度;B为经过多种算法计算后,扩维得到的对应各维度序列的M维信号,M的数值取决于采用了几种维度序列进行计算;C为各维度序列通过多个维度进行特征提取后得到的F个特征对应的序列,F的数值取决于采用了几个维度进行特征提取。
步骤S205,根据维度序列的多个维度特征,生成对应维度序列的特征子向量。
作为一种可能的实现方式,第一帧的一个维度序列进行均值、方差和峰值三个维度的特征提取,得到该维度序列的三个特征,例如,该帧的维度序列均值计算结果为d;方差计算结果为Va;峰值计算结果为Pd,进而,对该维度序列进行更多种维度的特征提取后,则对应该维度序列的特征子向量可表示为[d,Va,…,Pd]。
进而,该帧采用一级范数算法和二级范数算法得到的特征子向量可分别表示为[d’,Va’,…,Pd’],[d”,Va”,…,Pd”]。
需要解释的是,特征子向量中的省略号是指一个维度序列中均值、方差、峰值以外的其他维度对应的维度特征。
需要说明的是,该帧采用其他算法得到对应特征子向量的方法相同,此处不一一赘述。
步骤S206,根据属于相同帧的各维度序列的特征子向量,生成帧的特征向量。
具体地,将属于相同帧的各维度序列的特征子向量,生成该帧的特征向量,例如,以上述第一帧为例,对应第一帧的特征向量可表示为:[[d,Va,…,Pd],[d’,Va’,…,Pd’],[d”,Va”,…,Pd”]]。
需要解释的是,第一帧的特征向量包含三个特征子向量,是因为使用了三个方法进行扩维,当使用更多方法进行扩维时,特征子向量的数量也会增加。
需要说明的是,其他帧的特征向量的生成方式和上述第一帧的生成方式相同,此处不一一赘述。
步骤S207,对帧的特征向量进行分类处理,以从预设的属性中,确定帧的属性。
具体地,将帧的特征向量,输入预先训练的模型,以使模型输出帧的行为类别,其中,模型包括常见分类算法比如决策树模型、随机森林模型、支持向量机和深度神经网络模型中的至少一个。
需要解释的是,在将帧的特征向量输入预先获取的模型之前,作为一种可能的实现方式,对特征向量中的特征采用特征留存算法留存一部分特征,通过留存的部分特征去指示该帧的属性,从而减少运算量。
需要说明的是,上述模型是不同的分类器,分类器经过预先的训练,当输入帧的特征向量后,该分类器模型即输出预设的帧的属性。
需要理解的是,帧的属性为行为类别。
步骤S208,获取多个连续帧的行为类别,根据多个连续帧的行为类别之间的连续性,对多个连续帧的行为类别进行修正。
其中,行为类别是跑步、坐、走路、开车等人体活动。
具体的,作为一种可能的实现方式,对获取的多个连续帧的行为类别进行分类标号,例如代表跑步行为类别的帧的标号为1,代表坐行为类别的帧的标号为2,代表走路行为类别的帧的标号为3。图4为连续帧的行为类别修正方法示意图,如图4所示,对一个包含较多个帧的序列进行标号标记,分别采用最大数投票或隐马尔科夫模型进行修正,获得正确的行为类别,以最大数投票方法为例,当该序列中连续的帧的标号取1较多时,根据最大数投票算法,该行为类别即为标号1代表的行为类别,即该行为类别为跑步。因为每帧的时间都很短,基于人体活动的连续性,连续帧的行为类别也具有连续性,即人体活动状态不会突变,从而可以对该窗口内的帧代表的行为类别进行修正,以使结果更加准确,反应用户的真实行为。
本实施例提出的一种测量数据的处理方法中,根据各个测量时间点的测量数据,生成原始序列,将原始序列划分为多个帧,针对每一个帧,根据帧对应测量时间点的测量数据,采用多种算法进行计算,得到帧的各维度序列,对帧的各维度序列,分别进行多个维度的特征提取,得到帧的特征向量,对帧的特征向量进行分类处理,以从预设的属性中,确定帧的属性。通过引入多个算法进行扩维计算,并利用多个维度进行特征提取,得到较多的特征数据,解决了现有技术中对数据进行分析时采用较少的维度进行特征提取,得到的特征数据较少,导致人体行为识别的准确度较低,无法反应用户的真实行为的技术问题。
为了实现上述实施例,本发明还提出一种测量数据的处理装置。
图5为本发明实施例提供的一种测量数据的处理装置的结构示意图,如图5所示,该装置包括:生成模块41、划分模块42、运算模块43、特征提取模块44和处理模块45。
生成模块41,用于根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列;
划分模块42,用于将原始序列划分为多个帧,其中,每一个帧对应多个测量时间点。
运算模块43,用于针对每一个帧,根据帧对应测量时间点的测量数据,采用多种算法进行扩维,得到帧的各维度序列。
特征提取模块44,用于对帧的各维度序列,分别进行多个维度的特征提取,得到帧的特征向量,其中,特征向量,包括对各维度序列进行特征提取得到的特征子向量,每一个特征子向量包括多个维度特征。
处理模块45,用于对帧的特征向量进行分类处理,以从预设的属性中,确定帧的属性。
需要说明的是,前述对处理方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
本实施例提出的一种测量数据的处理装置中,生成模块根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列,划分模块将原始序列划分为多个帧,运算模块针对每一个帧,根据帧对应测量时间点的测量数据,采用多种算法进行扩维,得到帧的各维度序列,特征提取模块对帧的各维度序列,分别进行多个维度的特征提取,得到帧的特征向量,处理模块对帧的特征向量进行分类处理,以从预设的属性中,确定帧的属性。通过引入多个算法进行扩维计算,并利用多个维度进行特征提取,得到较多的特征数据,解决了现有技术中对数据进行分析时采用较少的维度进行特征提取,得到的特征数据较少,导致人体行为识别的准确度较低,无法反应用户的真实行为的技术问题。
基于上述实施例,本发明实施例还提供了一种测量数据的处理装置的可能的实现方式,图6为本发明实施例所提供的另一种测量数据的处理装置的结构示意图,在上一实施例的基础上,处理模块45还包括:分类单元451和修正单元452。
分类单元451,用于将帧的特征向量,输入预先获取的模型,以使模型输出所述帧的属性,其中,模型包括决策树模型、随机森林模型、支持向量机和深度神经网络模型中的至少一个。
修正单元452,用于获取多个连续帧的行为类别,根据多个连续帧的行为类别之间的连续性,对多个连续帧的行为类别进行修正。
作为一种可能的实现方式,特征提取模块44,包括:提取单元441和生成单元442。
提取单元441,用于对每一个维度序列,进行多个维度的特征提取,得到维度序列的多个维度特征。
生成单元442,用于根据维度序列的多个维度特征,生成对应维度序列的特征子向量,根据属于相同帧的各维度序列的特征子向量,生成帧的特征向量。
需要说明的是,上述对方法实施例的解释说明也适用于本实施例的装置,此处不再赘述。
本实施例提出的一种测量数据的处理装置中,生成模块根据时间序列或传感器在各个测量时间点的测量数据,生成原始序列,划分模块将原始序列划分为多个帧,运算模块针对每一个帧,根据帧对应测量时间点的测量数据,采用多种算法进行扩维,得到帧的各维度序列,特征提取模块对帧的各维度序列,分别进行多个维度的特征提取,得到帧的特征向量,处理模块对帧的特征向量进行分类处理,以从预设的属性中,确定帧的属性。通过引入多个算法进行扩维计算,并利用多个维度进行特征提取,得到较多的特征数据,解决了现有技术中对数据进行分析时采用较少的维度进行特征提取,得到的特征数据较少,导致人体行为识别的准确度较低,无法反应用户的真实行为的技术问题。
为实现上述实施例,本发明实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现前述实施例所述的测量数据的处理方法。
为实现上述实施例,本发明实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现前述实施例所述的测量数据的处理方法。
为实现上述实施例,本发明实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,实现前述实施例所述的测量数据的处理方法。
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图,图7显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及***组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的访问权限控制方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种测量数据的处理方法,所述测量数据为用于对人体行为进行识别的测量数据,其特征在于,包括以下步骤:
根据时间序列即传感器在各个测量时间点的测量数据,生成原始序列;
将所述原始序列划分为多个帧;其中,每一个帧对应多个测量时间点;
针对每一个帧,根据所述帧对应测量时间点的测量数据,采用多种算法进行扩维,得到所述帧的各维度序列;
对所述帧的各维度序列,分别进行多个维度特征提取,得到所述帧的特征向量;所述特征向量,包括对每一维度序列进行特征提取得到的特征子向量,每一个特征子向量包括多个维度特征;
对所述帧的特征向量进行分类处理,以从预设的属性中,确定所述帧的属性,
其中,所述对所述帧的各维度序列,分别进行多个维度的特征提取,得到所述帧的特征向量,包括:
对每一个维度序列,进行多个维度的特征提取,得到所述维度序列的多个维度特征;
根据所述维度序列的多个维度特征,生成对应所述维度序列的特征子向量;
根据属于相同帧的各维度序列的特征子向量,生成所述帧的特征向量。
2.根据权利要求1所述的处理方法,其特征在于,所述对所述帧的特征向量进行分类处理,以从预设的属性中,确定所述帧的属性,包括:
将所述帧的特征向量,输入预先获取的模型,以使所述模型输出所述帧的属性;其中,所述模型包括决策树模型、随机森林模型、支持向量机和深度神经网络模型中的至少一个。
3.根据权利要求2所述的处理方法,其特征在于,所述属性为行为类别;所述模型输出所述帧的属性之后,还包括:
获取多个连续帧的行为类别;
根据所述多个连续帧的行为类别之间的连续性,对所述多个连续帧的行为类别进行修正。
4.根据权利要求1所述的处理方法,其特征在于,所述将所述原始序列划分为多个帧,包括:
以预设长度和预设偏移量,将所述原始序列划分为多个帧。
5.根据权利要求1-4任一项所述的处理方法,其特征在于,所述多个维度包括均值、方差、分位数值、频谱系数、均值穿过率、峰值、最小值和峰峰值中的至少两个。
7.根据权利要求6所述的处理方法,其特征在于,所述多种算法包括差分、角度空间、轨迹空间和各级范数中的至少两个;所述根据所述帧对应测量时间点的测量数据,采用多种算法进行扩维,得到所述帧的各个维度序列,包括:
8.一种测量数据的处理装置,所述测量数据为用于对人体行为进行识别的测量数据,其特征在于,包括:
生成模块,用于根据时间序列即传感器在各个测量时间点的测量数据,生成原始序列;
划分模块,用于将所述原始序列划分为多个帧;其中,每一个帧对应多个测量时间点;
运算模块,用于针对每一个帧,根据所述帧对应测量时间点的测量数据,采用多种算法进行扩维,得到所述帧的各个维度序列;
特征提取模块,用于对所述帧的各维度序列,分别进行多个维度特征提取,得到所述帧的特征向量;所述特征向量,包括对每一维度序列进行特征提取得到的特征子向量,每一个特征子向量包括多个维度特征;
处理模块,用于对所述帧的特征向量进行分类处理,以从预设的属性中,确定所述帧的属性,
其中,所述特征提取模块,包括:
提取单元,用于对每一个维度序列,进行多个维度的特征提取,得到所述维度序列的多个维度特征;
生成单元,用于根据所述维度序列的多个维度特征,生成对应所述维度序列的特征子向量;根据属于相同帧的各维度序列的特征子向量,生成所述帧的特征向量。
9.根据权利要求8所述的处理装置,其特征在于,所述处理模块,包括:
分类单元,用于将所述帧的特征向量,输入预先获取的模型,以使所述模型输出所述帧的属性;其中,所述模型包括决策树模型、随机森林模型、支持向量机和深度神经网络模型中的至少一个。
10.根据权利要求8所述的处理装置,其特征在于,所述处理模块,还包括:
修正单元,用于获取多个连续帧的行为类别;根据所述多个连续帧的行为类别之间的连续性,对所述多个连续帧的行为类别进行修正。
11.根据权利要求8所述的处理装置,其特征在于,所述划分模块,具体用于:
以预设长度和预设偏移量,将所述原始序列划分为多个帧。
12.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-7中任一所述的处理方法。
13.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的处理方法。
14.一种计算机程序产品,其特征在于,当所述计算机程序产品中的指令由处理器执行时,执行如权利要求1-7中任一所述的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710693904.0A CN109389141B (zh) | 2017-08-14 | 2017-08-14 | 测量数据的处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710693904.0A CN109389141B (zh) | 2017-08-14 | 2017-08-14 | 测量数据的处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389141A CN109389141A (zh) | 2019-02-26 |
CN109389141B true CN109389141B (zh) | 2021-04-20 |
Family
ID=65416389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710693904.0A Active CN109389141B (zh) | 2017-08-14 | 2017-08-14 | 测量数据的处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389141B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886323A (zh) * | 2013-09-24 | 2014-06-25 | 清华大学 | 基于移动终端的行为识别方法及移动终端 |
CN104463196A (zh) * | 2014-11-11 | 2015-03-25 | 中国人民解放军理工大学 | 一种基于视频的天气现象识别方法 |
CN105468731A (zh) * | 2015-11-20 | 2016-04-06 | 成都科来软件有限公司 | 一种文本情感分析特征验证的前置处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150046332A1 (en) * | 2014-08-08 | 2015-02-12 | Brighterion, Inc. | Behavior tracking smart agents for artificial intelligence fraud protection and management |
-
2017
- 2017-08-14 CN CN201710693904.0A patent/CN109389141B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886323A (zh) * | 2013-09-24 | 2014-06-25 | 清华大学 | 基于移动终端的行为识别方法及移动终端 |
CN104463196A (zh) * | 2014-11-11 | 2015-03-25 | 中国人民解放军理工大学 | 一种基于视频的天气现象识别方法 |
CN105468731A (zh) * | 2015-11-20 | 2016-04-06 | 成都科来软件有限公司 | 一种文本情感分析特征验证的前置处理方法 |
Non-Patent Citations (1)
Title |
---|
Motif Discovery and Feature Selection for CRF-based Activity Recognition;Liyue Zhao,et al;《2010 20th international conference on pattern recognition》;20101007;第3826-3829页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109389141A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683680B (zh) | 说话人识别方法及装置、计算机设备及计算机可读介质 | |
JP6325405B2 (ja) | 特徴点検出装置、方法及びプログラム | |
CN111461168A (zh) | 训练样本扩充方法、装置、电子设备及存储介质 | |
US9892012B2 (en) | Detecting anomalous sensors | |
US8781160B2 (en) | Image object tracking and segmentation using active contours | |
CN108460098B (zh) | 信息推荐方法、装置和计算机设备 | |
CN108090211B (zh) | 热点新闻推送方法和装置 | |
Laraba et al. | Dance performance evaluation using hidden Markov models | |
KR20130071341A (ko) | 안면 특징 벡터 구성 | |
CN111694917B (zh) | 一种车辆异常轨迹检测、模型训练方法及装置 | |
CN108198172B (zh) | 图像显著性检测方法和装置 | |
CN109934080A (zh) | 脸部表情辨识的方法及装置 | |
JP7422548B2 (ja) | ラベルノイズ検出プログラム、ラベルノイズ検出方法及びラベルノイズ検出装置 | |
CN110084230A (zh) | 基于图像的车身方向检测方法和装置 | |
CN109978006B (zh) | 人脸图像的聚类方法和装置 | |
CN117083621A (zh) | 检测器训练方法、装置及存储介质 | |
CN109389141B (zh) | 测量数据的处理方法和装置 | |
CN110781292A (zh) | 文本数据多层次分类方法、装置、电子设备和存储介质 | |
AU2015204339A1 (en) | Information processing apparatus and information processing program | |
CN112699907B (zh) | 数据融合的方法、装置和设备 | |
JP4716125B2 (ja) | 発音評定装置、およびプログラム | |
CN110647826B (zh) | 商品训练图片的获取方法、装置、计算机设备和存储介质 | |
CN109583511B (zh) | 速度融合方法和装置 | |
US20240020873A1 (en) | Image generation system, image generation method, and recording medium | |
US10839258B2 (en) | Computer-readable recording medium, detection method, and detection device |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |