基于移動終端的行為識別方法及移動終端的制作方法
【專利摘要】本發明公開一種基于移動終端的行為識別方法及移動終端，主要針對現有人體行為識別方法中特征集的抽取能耗大而設計。本發明，通過移動終端的傳感器采集行為的傳感數據；將所述傳感數據通過小波函數變換為小波特征向量；基于所述小波特征向量進行行為的特征值的抽取，得到行為的特征集；將所述特征集中的數據進行訓練，取得分類器；對未知行為進行識別步驟。本發明通過在小波域下提取人體行為的特征集，在保證了特征集的抽取效率和精準度的前提下，降低了人體行為特征集抽取的能耗。
【專利說明】基于移動終端的行為識別方法及移動終端
【技術領域】
[0001]本發明涉及行為識別【技術領域】，具體涉及一種基于移動終端的行為識別方法及移動終端。
【背景技術】
[0002]近年來隨著“智慧”環境、醫療、家庭和辦公室等一系列“智慧”概念的提出，行為識別技術作為該【技術領域】的核心得到了人們的廣泛關注。
[0003]傳統的人體行為識別技術是基于圖形圖像，利用圖形圖像處理技術對人體行為進行特征值的抽取和建模，從而得到被判斷對象的行為狀態。這種基于圖形圖像對人體行為進行識別的方法存在如下問題:
[0004]第一，對數據源的質量要求較高；
[0005]第二，圖形圖像處理算法的復雜度較高，圖形圖像的特征和內容的識別準確度都相對較低；
[0006]第三，利用圖形圖像處理的方式在實際應用場景中局限性很大。
[0007]顯然傳統基于圖形圖像的行為識別方法很難滿足一系列“智慧”概念的需求，然而隨著傳感器和可穿戴技術的飛速發展，利用佩帶的傳感器采集的數據對人體行為進行建模得到了廣泛的應用和長足的發展。利用傳感器技術進行人體行為識別有如下好處:
[0008]第一，傳感器成本低、小巧且佩帶方便，更容易應用到現實生活場景中；
[0009]第二，傳感器流數據處理開銷較小，模型識別準確率高；
[0010]第三，傳感器數據類型豐富，模型擴展性好，易于擴展新的數據類型。
[0011]然而，近幾年來行為識別方面的研究大多數集中在可穿戴傳感系統的原型設計、建立人體行為數據庫、建立開放數據集、利用機器學習建立行為識別模型等方面。作為交叉領域，通常利用其他領域中比較成熟的建模方法來對人體行為進行模型建立。目前，利用傳感器數據進行人體行為分析的領域中，仍然存在著如下的問題:
[0012]第一，行為識別的精度不能滿足當前應用的需求，尤其是對一些細微的動作的區別；
[0013]第二，現有的對傳感數據進行特征提取(降維)的方法存在著較大的冗余性，導致特征集對數據區分能力和穩定性下降；
[0014]第三，抽取特征的計算能耗較高，一般移動設置的能量存儲有限，不利于在移動設備和能量供應受限的平臺上工作。
【發明內容】
[0015]針對上述問題，本發明提供一種在效率和精準度較高的前提下，計算能耗較小的基于移動終端的行為識別方法及移動終端。
[0016]為達到上述目的，本發明基于移動終端的行為識別方法，所述方法包括:
[0017]SI通過移動終端的傳感器采集表征行為的傳感數據；[0018]S2將所述傳感數據通過小波函數變換為小波域下的小波特征向量，所述小波函數
為:
[0019]
【權利要求】
1.一種基于移動終端的行為識別方法，其特征在于:所述方法包括: Si通過移動終端的傳感器采集表征行為的傳感數據； S2將所述傳感數據通過小波函數變換為小波域下的小波特征向量，所述小波函數為: 其中，fa (χ)為位置j上的尺度為k的小波函數； dj,k為原時域函數f(x)變換后的小波系數； S3基于預定的特征值獲取方法，對步驟S2中得到的包含行為特征的小波特征向量進行提取計算，得到表征行為的特征集； S4將所述特征集或/和所述特征集的子集作為訓練數據，得到分類器； S5對行為的識別，即所述傳感器采集的未知行為的傳感數據進行步驟S2和S3的處理后，通過所述分類器進行識別，判斷后輸出該行為，并更新所述分類器。
2.根據權利要求1所述的基于移動終端的行為識別方法，其特征在于:所述傳感器包括加速度傳感器和陀螺儀傳感器，所述傳感數據分別取自加速度和陀螺儀傳感器的X、1、z三個軸。
3.根據權利要求1所述的基于移動終端的行為識別方法，其特征在于:所述行為的特征集獲得的具體方法包括: S3.1通過移動終端的傳感器采集表征行為的傳感數據； S3.2采用重疊滑動窗口的策略將連續的傳感數據流劃分為一個固定長度的基于移動終端的行為識別方法實體，通過小波函數對所述固定長度的實體進行η級小波變換，得到不同子頻段上的小波向量；`` S3.3根據預定的韻律特征和節奏特征獲取方法提取計算每個子頻段上表征行為的小波向量，得到表征行為的特征集，其中 所述韻律特征獲取方法具體包括:計算每個子頻段上的小波向量系數的平均值、方差、偏度，得到行為的韻律特征集； 所述節奏特征獲取方法具體包括:計算當前子頻段計算消耗的能量占所有子頻段計算消耗能量的百分比，得到行為的節奏特征集，所述節奏特征集計算公式表示如下:
4.根據權利要求1所述的基于移動終端的行為識別方法，其特征在于:還包括對所述訓練數據進行歸一化處理的步驟，其中所述歸一化處理公式為:fnOTalizatim=f；aw-μ / σ，其中，μ為經驗平均值，σ為一個特征在行為的標準差。
5.根據權利要求1所述的基于移動終端的行為識別方法，其特征在于:將傳感數據變換為小波域上小波向量的小波函數通過實驗的方法獲得。
6.一種移動終端，其特征在于:包括傳感器單元，用于采集行為的傳感數據； 小波變換單元，用于將所述傳感數據通過小波函數變換為小波域下的小波特征向量； 特征集獲取單元，用于基于預定的特征值獲取方法，對小波變換單元得到的包含行為特征的小波特征向量進行計算和/或抽取，得到表征行為的特征集； 數據訓練單元，用于將所述特征集獲取單元獲得的特征集中的數據作為訓練數據，得到分類器； 動作識別單元，用于對行為的識別，即所述傳感器采集的未知行為的傳感數據分別經過小波變換單元和特征集獲取單元的處理后，將處理后的數據通過所述分類器進行識別，判斷后輸出該行為，并更新所述分類器。
7.根據權利要求6所述的移動終端，其特征在于:所述傳感器包括加速度傳感器和陀螺儀傳感器，所述傳感數據分別取自加速度和陀螺儀傳感器的X、1、Z三個軸。
8.根據權利要求6所述的移動終端，其特征在于:所述小波變換單元，采用重疊滑動窗口的策略將連續的傳感數據流劃分為一個固定長度的實體，通過小波函數對所述固定長度的實體進行η級小波變換，得到不同子頻段上的小波向量； 所述特征集獲取單元包括韻律特征獲取單元和節奏特征獲取單元，所述韻律特征獲取單元，用于根據預定的韻律特征的獲取方法，通過計算每個子頻段上的小波向量系數的平均值、方差、偏度，得到行為的韻律特征集； 所述節奏特征獲取單元，用于根據預定的節奏特征的獲取方法，計算當前子頻段計算消耗的能量占所有子頻段計算消耗能量的百分比，得到行為的節奏特征集。
9.根據權利要求6所述的移動終端，其特征在于:還包括數據歸一化單元，用于對所述訓練數據進行歸一化處理。
【文檔編號】G06K9/62GK103886323SQ201310439425
【公開日】2014年6月25日 申請日期:2013年9月24日 優先權日:2013年9月24日
【發明者】許斌, 崔健 申請人:清華大學