CN113901863A - 基于加权组稀疏贝叶斯学习的人体活动分类方法 - Google Patents
基于加权组稀疏贝叶斯学习的人体活动分类方法 Download PDFInfo
- Publication number
- CN113901863A CN113901863A CN202110946427.0A CN202110946427A CN113901863A CN 113901863 A CN113901863 A CN 113901863A CN 202110946427 A CN202110946427 A CN 202110946427A CN 113901863 A CN113901863 A CN 113901863A
- Authority
- CN
- China
- Prior art keywords
- iter
- sparse
- human activity
- dictionary
- weighted
- 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.)
- Granted
Links
- 230000000694 effects Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000037081 physical activity Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000007635 classification algorithm Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 239000003651 drinking water Substances 0.000 description 3
- 235000020188 drinking water Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及基于加权组稀疏贝叶斯学习的人体活动分类方法,属于雷达及模式识别技术领域。所述方法对接收的人体活动雷达回波信号,采用短时傅里叶变换进行预处理;通过主成分分析法进行特征提取;利用加权组稀疏贝叶斯学习算法对人体活动测试样本进行稀疏编码,再基于残差最小准则对人体活动进行分类识别。所述方法考虑了训练样本的标签信息,使得稀疏表示系数具有组结构特点,从而提升分类的准确性;且所采用的贝叶斯模型考虑了噪声的影响,对实际环境具有较好的适应性,能稳健地实现人体活动分类;与传统方法相比,在有噪情况下具有更好的分类性能。
Description
技术领域
本发明涉及基于加权组稀疏贝叶斯学习的人体活动分类方法,属于雷达及模式识别技术领域。
背景技术
随着人体活动的识别和分类在安防监控和远程健康监护等诸多领域的研究应用,基于雷达的人体活动分类具有不侵犯人体隐私、可有效克服音频、视频、红外等生命探测存在的一些固有技术缺陷且成本低、易部署的优势,成为国内外研究发展的热点。
人类活动可看作是复杂的目标,因为各种各样的活动会产生复杂的肢体运动,身体各部位的时变轨迹将反映在雷达回波中。通过对接收到的雷达回波信号进行时频变换得到人体运动的雷达微多普勒特征,实际上是在给定的观测时间内多个人体部位运动回波叠加的多普勒时频谱。由于雷达多普勒历程数据仅携带径向速度信息,虽然从微多普勒特征不能重构出人体运动模型,但因为人体在运动的时候,身体各个部位的运动方式具有差异性,人体各个部位的运动所产生的多普勒频率也将不一样,因此不同的人体活动可以生成不同的丰富而独特的微多普勒特征,即雷达微多普勒特征携带人体运动的特征信息,利用微多普勒特征可以对人体及其运动进行分类和识别。
近年来,稀疏表示理论引起了信号处理领域研究者们的兴趣,在很多相关问题上得到了有效地应用。John Wright等将稀疏表示应用到人脸图像识别中,提出一种基于稀疏表示分类(Sparse Representation-based Classification,SRC)的人脸图像识别方法。该方法在人脸图像受遮挡或噪声污染以及其它干扰情况下,取得了较好的识别效果。考虑将SRC方法用于人体活动识别,但在实际情况中,人体活动的数据采集受到所处环境的影响,具有较多的杂波和噪声,现有算法的抗噪性能有待提高。
发明内容
本发明的目的在于应对实际情况中雷达人体活动分类中采集的数据受噪声影响而引起分类识别率下降的问题,提出了基于加权组稀疏贝叶斯学习的人体活动分类方法,该方法以训练样本构建字典,采用一种加权组稀疏贝叶斯学习算法对测试样本进行稀疏编码,基于残差最小准则实现分类,能够有效实现人体活动的分类。
为了达到上述目的,本发明采取如下技术方案:
所述基于加权组稀疏贝叶斯学习的人体活动分类方法,包括以下步骤:
步骤1:通过雷达天线采集人体活动的雷达回波信号;
步骤2:对雷达回波信号进行杂波抑制以及短时傅立叶变换,得到雷达回波信号的时频图,具体为:先进行杂波抑制,再采用窗口长度为Nw的短时傅立叶变换获得雷达回波信号的时频图;
步骤3:对时频图进行压缩并转换为灰度图像,读取灰度图像的数据并按列拉长成一维向量,利用主成分分析法进行特征提取,得到所有人体活动的特征数据;将所有人体活动的特征数据按比例分成两组,一组作为训练数据和验证数据,另一组作为测试数据即测试样本;在第一组中随机抽取部分数据样本作为训练样本,同一类的训练样本按列放置构成子字典,所有子字典构成字典A;
其中,字典A记为:A=(A1,A2,…,AK);第c个子字典记为:Ac,且c=1,2,…,K,K为字典A中的样本类别数;
步骤4:对人体活动测试样本在字典A下进行稀疏编码,得到稀疏表示系数,具体采用加权组稀疏贝叶斯学习算法计算稀疏表示系数,包括以下子步骤:
步骤4.1:建立有噪声的稀疏表示模型y=Ax+w;
其中,x为待求的人体活动测试样本y的稀疏表示系数,A为字典A,w是均值为0、方差为β-1服从高斯分布的白噪声,其中,m是测试样本y的维度;x服从高斯先验分布其中,x=(x1,x2,…,xn)T,αi -1为元素xi的方差,α={αi}为方差倒数,是控制稀疏表示系数x稀疏性的非负超参数;xi及α={αi}下标i的取值范围为1到n,n为字典A的列数,上标T表示矩阵的转置操作;
步骤4.2:给定α和β的初值,初始化迭代次数iter=1,设定最大迭代次数Max_iter,初始化μ0=AHy;
其中,μ0为稀疏表示系数x后验均值的初始值,上标H表示矩阵的共轭转置操作;
步骤4.3:计算稀疏表示系数x的后验概率分布的协方差Σ、均值μ:
Σ=(βAHA+D)-1,μ=βΣAHy
其中,在人体活动测试样本y给定时稀疏表示系数x的后验概率分布服从高斯分布,D=diag(α1,α2,…,αn);
步骤4.4:假定同类样本对应的稀疏系数方差相同,对同类样本的后验信息进行加权平均,估计元素xi的方差倒数,然后再对所得的同类样本的方差倒数估计进行加权平均,更新元素xi的方差倒数,具体步骤如下:
步骤4.4a:估计元素xi的方差倒数:
步骤4.4b:对所得的同类样本的方差倒数估计进行加权平均,更新元素xi的方差倒数:
步骤4.5:令μiter=μ且iter=iter+1;
步骤4.6:若iter≤Max_iter且当前均值μiter与上一次均值μiter-1之间有||μiter-μiter-1||2>ε,重复进行步骤4.3到4.5,直到iter>Max_iter或者当前均值μiter与上一次均值μiter-1之间满足||μiter-μiter-1||2≤ε,当前的后验均值为求得的稀疏表示系数,即
其中,||·||2表示2-范数;
至此,从步骤4.1到步骤4.6,完成了对人体活动测试样本的稀疏编码,得到人体活动测试样本进行稀疏编码的稀疏表示系数;
步骤5:基于最小残差分类,具体为:计算人体活动测试样本y与每一类子字典的线性加权和之间的残差rc(y):
有益效果
本发明提出基于加权组稀疏贝叶斯学习的人体活动分类方法,与现有技术相比,具有如下有益效果:
1.所述人体活动分类方法与现有人体活动分类方法相比,在具有噪声影响时采用贝叶斯模型进行建模,可较好地应对有噪环境下人体活动的有效识别问题,具有一定的噪声稳健性;
2.所述人体活动分类方法与现有人体活动分类方法相比,考虑了训练样本的标签信息,使得稀疏表示系数具有组结构特点,具有更好的分类性能。
附图说明
图1是本发明所提的基于加权组稀疏贝叶斯学习的人体活动分类方法的原理框图;
图2分别是人体六种活动即(2a)行走、(2b)坐下、(2c)站立、(2d)捡起物品、(2e)喝水、(2f)跌倒的雷达回波信号时频图;
图3是本发明所提的加权组稀疏贝叶斯学习的信号参数模型示意图;
图4是五次随机抽取训练样本下各分类器的分类结果;
图5是本发明所提的基于加权组稀疏贝叶斯学习的人体活动分类方法的分类结果混淆矩阵。
具体实施方式
下面结合附图对本发明基于加权组稀疏贝叶斯学习的人体活动分类方法的实施过程作进一步的说明。
实施例1
公共安全监测和室内人体监护等领域可以基于雷达监控人员活动模式,即利用雷达收集人体活动数据并利用本发明检测例如跌倒这样的人体重大活动事件。本发明采用贝叶斯模型进行建模,可较好地应对有噪环境;组稀疏的引入有效提升了分类性能。
所述方法对接收的人体活动雷达回波信号,采用短时傅里叶变换进行预处理;通过主成分分析法进行特征提取;利用加权组稀疏贝叶斯学习算法对人体活动测试样本进行稀疏编码;基于残差最小准则对人体活动进行分类识别。所述分类方法考虑了训练样本的标签信息,使得稀疏表示系数具有组结构特点,从而提升分类的准确性;并且所采用的贝叶斯模型考虑了噪声的影响,对实际环境具有较好的适应性,能稳健地实现人体活动分类;与传统方法相比,在有噪情况下具有更好的分类性能。
图1是本发明所提的基于加权组稀疏贝叶斯学习的人体活动分类方法具体实施的流程图,包含以下步骤:
步骤1:通过雷达天线采集人体活动的雷达回波信号;
步骤2:对雷达回波信号进行杂波抑制以及短时傅立叶变换,得到雷达回波信号的时频图,具体为:先利用巴特沃斯高通滤波器抑制杂波,再采用窗口长度为Nw的短时傅立叶变换获得雷达回波信号的时频图;
其中,时频图记为STFT(f,t),f和t分别表示短时傅立叶变换所得到的频率分量和时间分量;
步骤3:对时频图进行压缩并转换为灰度图像,读取灰度图像的数据并按列拉长成一维向量,利用主成分分析法进行特征提取,得到所有人体活动的特征数据;将所有人体活动的特征数据按比例分成两组,一组作为训练数据和验证数据,另一组作为测试数据即测试样本;在第一组中随机抽取部分数据样本作为训练样本,同一类的训练样本按列放置构成子字典,所有子字典构成字典A;
其中,字典A记为:A=(A1,A2,…,AK);第c个子字典记为:Ac,且c=1,2,…,K,K为字典A中的样本类别数;
步骤4:对人体活动测试样本y在字典A下进行稀疏编码,得到稀疏表示系数,具体采用加权组稀疏贝叶斯学习算法计算稀疏表示系数,包括以下子步骤:
步骤4.1:建立有噪声的稀疏表示模型y=Ax+w;
其中,x为待求的人体活动测试样本y的稀疏表示系数,A为字典A,w是均值为0、方差为β-1服从高斯分布的白噪声,其中,m是测试样本y的维度;x服从高斯先验分布其中,x=(x1,x2,…,xn)T,αi -1为元素xi的方差,α={αi}为方差倒数,是控制稀疏表示系数x稀疏性的非负超参数;xi及α={αi}下标i的取值范围为1到n,n为字典A的列数,上标T表示矩阵的转置操作;
步骤4.2:给定α和β的初值,初始化迭代次数iter=1,设定最大迭代次数Max_iter,初始化μ0=AHy;
其中,μ0为稀疏表示系数x后验均值的初始值,上标H表示矩阵的共轭转置操作;
步骤4.3:计算稀疏表示系数x的后验概率分布的协方差Σ、均值μ:
Σ=(βAHA+D)-1,μ=βΣAHy
其中,在人体活动测试样本y给定时稀疏表示系数x的后验概率分布服从高斯分布,D=diag(α1,α2,…,αn);
步骤4.4:假定同类样本对应的稀疏系数方差相同,对同类样本的后验信息进行加权平均,估计每类样本对应的稀疏系数xc的方差倒数,然后再对所得的同类样本的方差倒数的估计进行加权平均,更新每类样本对应的稀疏系数xc的方差倒数,具体步骤如下:
步骤4.4a:估计第c类样本对应的稀疏系数xc的方差倒数:
步骤4.4b:对所得的同类样本的方差倒数估计进行加权平均,更新第c类样本对应的稀疏系数xc的方差倒数:
步骤4.5:令μiter=μ且iter=iter+1;
步骤4.6:若iter≤Max_iter且当前均值μiter与上一次均值μiter-1之间有||μiter-μiter-1||2>ε,重复进行步骤4.3到4.5,直到iter>Max_iter或者当前均值μiter与上一次均值μiter-1之间满足||μiter-μiter-1||2≤ε,当前的后验均值为求得的稀疏表示系数,即
其中,||·||2表示2-范数;
至此,从步骤4.1到步骤4.6,完成了对人体活动测试样本的稀疏编码,得到人体活动测试样本进行稀疏编码的稀疏表示系数;
步骤5:基于最小残差分类,具体为:计算人体活动测试测试样本y与每一类子字典的线性加权和之间的残差rc(y):
某一类的残差值最小时,则认为y属于该类。
下面结合实施例对本发明做进一步的说明。
在本实施例中选用雷达实测人体微多普勒信号进行分类识别,具体采用项目Intelligent RF Sensing for Falls and Health Prediction的人体活动数据,由Ancortek公司的FMCW雷达收集,工作在C波段(5.8GHz),带宽为400MHz。受试者演示六种人体活动:行走、坐下、站立、捡起物品、喝水和跌倒,受试者针对每种活动演示2到3次。
利用短时傅里叶变换对人体活动的雷达回波信号进行时频分析可以得到雷达回波信号的时频图。图2展示了同一位受试者六种活动下采集的雷达回波信号的时频图。数据集共有1700张时频图,其中75%的数据作为训练数据和验证数据,包括人体行走、坐下、站立、捡起物品、喝水的时频图各225张和150张跌倒的时频图,在这部分数据集中每种活动按照1:1各随机选取75张时频图作为训练样本和验证样本,多次实验取平均选取最优参数用于测试数据的识别;25%的数据作为测试数据,包括人体行走、坐下、站立、捡起物品、喝水的时频图各75张和50张跌倒的时频图。以人体活动识别准确率为实验指标,本发明与支持向量机(SVM)、采用OMP算法的稀疏表示分类器(SRC_OMP)进行比较。支持向量机SVM是一种常用的分类算法。SRC_OMP采用OMP算法实现稀疏系数的求解,但是没有对类内和类间的稀疏系数进行区分约束。为了获得更好的分类识别率,本发明采用一种加权组稀疏贝叶斯学***均选取如下最优参数:加权参数λ=0.005,噪声方差倒数β=100。图4展示了本发明算法与对比的分类算法五次实验的结果对比,其形象地显示了本发明算法与对比的两种分类算法在识别准确率上的提升。
表1本发明算法与两种对比分类算法的人体活动识别率
表1列出了本发明算法与对比的两种分类算法的人体活动分类识别率,表中数据均为五次实验的平均值。图5显示了本发明算法分类结果的混淆矩阵,可观察在特定的六种人体活动下的识别精度。
为了说明本发明的内容及实施方法,本说明书给出了一个具体实施例。在实施例中引入细节的目的不是限制权利要求书的范围,而是帮助理解本发明所述方法。本领域的技术人员应理解:在不脱离本发明及其所附权利要求的精神和范围内,对最佳实施例步骤的各种修改、变化或替换都是可能的。因此,本发明不应局限于最佳实施例及附图所公开的内容。
Claims (5)
1.基于加权组稀疏贝叶斯学习的人体活动分类方法,其特征在于:包括以下步骤:
步骤1:通过雷达天线采集人体活动的雷达回波信号;
步骤2:对雷达回波信号进行杂波抑制以及短时傅立叶变换,得到雷达回波信号的时频图;
步骤3:对时频图进行压缩并转换为灰度图像,读取灰度图像的数据并按列拉长成一维向量,利用主成分分析法进行特征提取,得到所有人体活动的特征数据;将所有人体活动的特征数据按比例分成两组,一组作为训练数据和验证数据,另一组作为测试数据即测试样本;在第一组中随机抽取部分数据样本作为训练样本,同一类的训练样本按列放置构成子字典,所有子字典构成字典A;
步骤4:对人体活动测试样本在字典A下进行稀疏编码,得到稀疏表示系数,具体采用加权组稀疏贝叶斯学习算法计算稀疏表示系数;
步骤4、包括以下子步骤:
步骤4.1:建立有噪声的稀疏表示模型y=Ax+w;
其中,x为待求的人体活动测试样本y的稀疏表示系数,A为字典A,w是均值为0、方差为β-1服从高斯分布的白噪声,其中,m是测试样本y的维度;x服从高斯先验分布其中,x=(x1,x2,...,xn)T,αi -1为元素xi的方差,α={αi}为方差倒数,是控制稀疏表示系数x稀疏性的非负超参数;xi及α={αi}下标i的取值范围为1到n,n为字典A的列数;
步骤4.2:给定α和β的初值,初始化迭代次数iter=1,设定最大迭代次数Max_iter,初始化μ0=AHy;
其中,μ0为稀疏表示系数x后验均值的初始值,上标H表示矩阵的共轭转置操作;
步骤4.3:计算稀疏表示系数x的后验概率分布的协方差∑、均值μ:
∑=(βAHA+D)-1,μ=β∑AHy
其中,在人体活动测试样本y给定时稀疏表示系数x的后验概率分布服从高斯分布,D=diag(α1,α2,...,αn);
步骤4.4:假定同类样本对应的稀疏系数方差相同,对同类样本的后验信息进行加权平均,估计元素xi的方差倒数,然后再对所得的同类样本的方差倒数估计进行加权平均,更新元素xi的方差倒数;
步骤4.5:令μiter=μ且iter=iter+1;
步骤4.6:若iter≤Max_iter且当前均值μiter与上一次均值μiter-1之间有||μiter-μiter-1||2>ε,重复进行步骤4.3到4.5,直到iter>Max_iter或者当前均值μiter与上一次均值μiter-1之间满足||μiter-μiter-1||2≤ε,当前的后验均值为求得的稀疏表示系数,即
其中,||·||2表示2-范数;
至此,从步骤4.1到步骤4.6,完成了对人体活动测试样本的稀疏编码,得到人体活动测试样本进行稀疏编码的稀疏表示系数;
步骤5:基于最小残差分类。
2.根据权利要求1所述的基于加权组稀疏贝叶斯学习的人体活动分类方法,其特征在于:步骤2,具体为:先进行杂波抑制,再采用窗口长度为Nw的短时傅立叶变换获得雷达回波信号的时频图。
3.根据权利要求2所述的基于加权组稀疏贝叶斯学习的人体活动分类方法,其特征在于:步骤3中,字典A记为:A=(A1,A2,...,AK);第c个子字典记为:Ac,且c=1,2,...,K,K为字典A中的样本类别数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110946427.0A CN113901863B (zh) | 2021-08-18 | 2021-08-18 | 基于加权组稀疏贝叶斯学习的人体活动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110946427.0A CN113901863B (zh) | 2021-08-18 | 2021-08-18 | 基于加权组稀疏贝叶斯学习的人体活动分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113901863A true CN113901863A (zh) | 2022-01-07 |
CN113901863B CN113901863B (zh) | 2024-07-19 |
Family
ID=79187621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110946427.0A Active CN113901863B (zh) | 2021-08-18 | 2021-08-18 | 基于加权组稀疏贝叶斯学习的人体活动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901863B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120078834A1 (en) * | 2010-09-24 | 2012-03-29 | Nuance Communications, Inc. | Sparse Representations for Text Classification |
CN104899549A (zh) * | 2015-04-17 | 2015-09-09 | 重庆大学 | 基于距离像时频图鉴别字典学习的sar目标识别方法 |
CN106842172A (zh) * | 2016-12-22 | 2017-06-13 | 西北工业大学 | 一种水下目标结构化稀疏特征提取方法 |
CN107784293A (zh) * | 2017-11-13 | 2018-03-09 | 中国矿业大学(北京) | 一种基于全局特征和稀疏表示分类的人体行为识别方法 |
WO2018045601A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 一种阵列误差下的稀疏恢复stap方法及其*** |
WO2018149133A1 (zh) * | 2017-02-17 | 2018-08-23 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及*** |
CN109190693A (zh) * | 2018-08-27 | 2019-01-11 | 西安电子科技大学 | 基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法 |
CN110161499A (zh) * | 2019-05-09 | 2019-08-23 | 东南大学 | 改进的稀疏贝叶斯学习isar成像散射系数估计方法 |
CN110596645A (zh) * | 2019-09-10 | 2019-12-20 | 中国人民解放军国防科技大学 | 二维免求逆稀疏贝叶斯学习快速稀疏重构方法 |
CN111025257A (zh) * | 2019-12-31 | 2020-04-17 | 西安电子科技大学 | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 |
-
2021
- 2021-08-18 CN CN202110946427.0A patent/CN113901863B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120078834A1 (en) * | 2010-09-24 | 2012-03-29 | Nuance Communications, Inc. | Sparse Representations for Text Classification |
CN104899549A (zh) * | 2015-04-17 | 2015-09-09 | 重庆大学 | 基于距离像时频图鉴别字典学习的sar目标识别方法 |
WO2018045601A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 一种阵列误差下的稀疏恢复stap方法及其*** |
CN106842172A (zh) * | 2016-12-22 | 2017-06-13 | 西北工业大学 | 一种水下目标结构化稀疏特征提取方法 |
WO2018149133A1 (zh) * | 2017-02-17 | 2018-08-23 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及*** |
CN107784293A (zh) * | 2017-11-13 | 2018-03-09 | 中国矿业大学(北京) | 一种基于全局特征和稀疏表示分类的人体行为识别方法 |
CN109190693A (zh) * | 2018-08-27 | 2019-01-11 | 西安电子科技大学 | 基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法 |
CN110161499A (zh) * | 2019-05-09 | 2019-08-23 | 东南大学 | 改进的稀疏贝叶斯学习isar成像散射系数估计方法 |
CN110596645A (zh) * | 2019-09-10 | 2019-12-20 | 中国人民解放军国防科技大学 | 二维免求逆稀疏贝叶斯学习快速稀疏重构方法 |
CN111025257A (zh) * | 2019-12-31 | 2020-04-17 | 西安电子科技大学 | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113901863B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Human activity classification based on micro-Doppler signatures using an artificial neural network | |
CN103942540A (zh) | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 | |
CN110647788B (zh) | 一种基于微多普勒特征的人类日常行为分类方法 | |
CN112861813B (zh) | 基于复值卷积神经网络的墙后人体行为识别方法 | |
CN111273284B (zh) | 一种人体躯干微动状态变化特征提取方法 | |
Jokanovic et al. | Effect of data representations on deep learning in fall detection | |
Le et al. | Human gait recognition with micro-Doppler radar and deep autoencoder | |
CN111965620B (zh) | 基于时频分析和深度神经网络的步态特征提取与识别方法 | |
CN114779238A (zh) | 一种基于雷达信号的生命探测方法及*** | |
Barat et al. | INTELLIGENT AE SIGNAL FILTERING METHODS. | |
Pegoraro et al. | Deep learning for accurate indoor human tracking with a mm-wave radar | |
CN112137620A (zh) | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 | |
Xie et al. | A multiple-model prediction approach for sea clutter modeling | |
CN115016033A (zh) | 一种基于奇异谱分解算法的生命信息探测方法及*** | |
CN113341392B (zh) | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 | |
CN106408532B (zh) | 基于剪切波域参数估计的合成孔径雷达sar图像去噪方法 | |
CN110111360B (zh) | 一种基于自组织映射网络的穿墙雷达人体动作表征方法 | |
CN113901863A (zh) | 基于加权组稀疏贝叶斯学习的人体活动分类方法 | |
Lan et al. | Improved wavelet packet noise reduction for microseismic data via fuzzy partition | |
Wang et al. | Rapid recognition of human behavior based on micro-Doppler feature | |
CN111144316B (zh) | 基于堆栈自编码器的海面目标检测方法 | |
CN112163510B (zh) | 一种基于多观测变量hmm模型的人体动作分类识别方法 | |
Dong et al. | Research on sea clutter suppression using sparse dictionary learning | |
Shao et al. | Signal classification for ground penetrating Radar using sparse kernel feature selection | |
Mingqiu et al. | Radar signal feature extraction based on wavelet ridge and high order spectral analysis |
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 |