一種基于自反饋基因表達式編程的人體行為識別方法與流程
本發明涉及人體行為識別領域，特別涉及一種基于自反饋基因表達式編程的人體行為識別方法。
背景技術：
近幾年，人體行為識別研究是國際上計算機學科最熱門的前沿研究課題之一，具有重要的理論研究價值，研究課題內容豐富，涉及到圖像處理與分析、機器視覺、人體生理學、人體運動學、模式識別和人工智能等多學科領域知識。人體行為識別研究不但拓寬了學科間的研究方向，而且帶動相關學科的發展，同時也是智慧城市與公共安全迫切需要解決的關鍵技術，其廣泛應用于人機智能交互、智能視覺監控、基于內容的視頻檢索、虛擬現實等領域。目前人體識別的大部的研究還只停止在靜態的識別，人體運動的復雜性和易變性使得識別的準確性和高效性無法滿足相關行業的實用要求。
目前，現有技術中對人體行為的識別主要是采用關節點佩戴傳感器或者是采用多攝像頭進行多視角監視，關節點佩戴傳感器是指在人體的某個部位放上傳感器，這種方式識別人體的行為種類有限，且識別準確度不高、識別速度慢、識別行為單一且可擴展性差；采用多攝像頭進行多視角監視是指在各個視角位置安裝攝像頭，通過各個視角的攝像頭拍攝到的圖片判定人體的行為，這種方式存在成本高、數據精度低、使用不便、受環境因素影響大等缺陷。
技術實現要素：
本發明的目的在于克服現有技術的缺點與不足，提供一種基于自反饋基因表達式編程的人體行為識別方法，該方法利用自反饋基因表達式(SGEP)建立人體運動模型，然后將人體運動模型的梯度信息作為人體運動模型特征對各類人體行為進行精確刻畫，最后通過神經網絡對人體行為進行識別，具有人體行為識別準確度高以及識別速度快的優點。
本發明的目的通過下述技術方案實現：一種基于自反饋基因表達式編程的人體行為識別方法，其特征在于，步驟如下：
S1、獲取人體行為深度圖像，然后從人體行為深度圖像中分別提取出人體N個關節點各自對應的三維時間序列數據，作為一個樣本；
S2、利用自反饋基因表達式編程對樣本進行建模，獲取到樣本對應的各關節點運動序列，從而得到各樣本基于關節點的人體運動模型；其中所述自反饋基因表達式編程由基因表達式編程在交叉、變異操作后再加入TIS插串操作構造得到，其中TIS插串操作指的是在關節點運動序列頭部插入函數符串，用于增加關節點運動序列有效位的長度增長；
S3、提取人體運動模型的梯度信息作為模型特征；
S4、通過步驟S1獲取到訓練樣本集，并且各訓練樣本通過步驟S2的方式獲取到各訓練樣本的人體運動模型，然后通過步驟S3的方式提取各訓練樣本的人體運動模型的模型特征；
S5、各訓練樣本的人體運動模型的模型特征作為神經網絡的輸入，對神經網絡進行訓練，將訓練得到的神經網絡模型，作為最終的人體行為分類器；
S6、通過步驟S1獲取到測試樣本，并且測試樣本通過步驟S2的方式獲取到測試樣本的人體運動模型，然后通過步驟S3的方式提取測試樣本的人體運動模型的模型特征；
S7、將測試樣本的人體運動模型的模型特征輸入至步驟S5中獲取到的人體行為分類器中，通過該人體行為分類器得到人體行為識別結果。
優選的，所述步驟S1中使用微軟體感設備Kinect結合第二代SDK以及OpenCV計算機視覺庫獲取人體行為深度圖像；其中利用TOF(Time Of Flight，飛行時間)技術，計算微軟Kinect傳感器中紅外傳感器發射的紅外光線到達人體后反射的相位差，得到基于人體的人體行為深度圖像；
各個關節點對應的三維時間序列數據是以微軟體感設備Kinect的紅外傳感器為原點所建立的空間直角坐標系得到的，該空間直角坐標系包括x軸、y軸和z軸，其中x軸正方向為平行于微軟體感設備Kinect水平方向向左，y軸正方向為垂直于微軟體感設備Kinect傾斜方向向上，z軸正方向為微軟體感設備Kinect朝向方向。
優選的，所述步驟S1中N為25以上。
優選的，所述步驟S1中在獲取到人體行為深度圖像后，將人體行為深度圖像中的人體與背景進行分割，然后轉化為骨架追蹤系統，從而獲取人體的多個關節點三維時間序列數據。
優選的，所述步驟S2中自反饋基因表達式編程對樣本進行建模，得到基于關節點的人體運動模型的具體過程如下：
S21、確定人體運動模型所需的函數符集和終結符集以及終結符個數，并設定循環終止條件；
S22、創建隨機關節點運動序列初始種群，將各關節點運動序列表達為基因表達式樹；關節點運動序列由函數符集和終結符集構成，終結符集中包括關節點三維時間序列數據中時間t以及關節點三維時間序列數據的坐標分量；
S23、計算種群中各關節點運動序列的適應值，然后通過相對誤差估計模型或絕對誤差模型對種群中各關節點運動序列對環境的適應能力進行評估，在評估結果符合條件的情況下，從種群選擇出一定數量的個體作為父體；并且判斷是否滿足循環終止條件，若滿足，則跳轉到S26，否則進入步驟S24；
S24、根據步驟S23選擇出的父體，對種群中的關節點運動序列進行基因表達式編程的交叉、變異操作；
S25、對種群的關節點運動序列進行TIS插串操作，得到下一代種群個體，回到步驟S23；
S26、輸出模型，得到最優染色體所表示的函數表達式，即關節點的人體運動模型。
更進一步的，步驟S21中函數符集F為：
F＝{S，C，T，I，R，N，P，Q，E，A，G，L，B，D，F，H}
其中函數符集F中的各元素代表含義如下：
S表示正弦函數Sin，C表示余弦函數cos，T表示正切函數tan，I表示反正弦函數asin，R表示反余弦函數acos，N表示反正切函數atan，P表示冪函數pow，Q表示平方根函數sqrt，E表示自然數為底的指數函數exp，A表示絕對值函數abs，G表示符號函數sign，L表示自然對數函數ln，B表示以10為底的對數函數lg，D表示雙曲正弦函數sinh，F表示雙曲余弦函數cosh，H表示雙曲正切函數tanh；
步驟S21中所述終結符集包括多維終結字符以及常數終結字符集；
其中多維終結字符T為：
T＝{a，b，c，d，e，f，g，h，i}；
其中多維終結符集T中的各元素分別代表多維變量中每個自變量，在檢驗人體運動模型時將各變量所對應的實際值代入人體運動模型中；
其中常數終結符集C為：C＝{1000，-1000}。
優選的，其特征在于，TIS插串操作的過程如下：
當關節點運動序列有效長度m＝1時，即關節點運動序列的根位置是一個常數，此時，從關節點運動序列根位置開始到第[L/4]位變異為隨機得來的函數符串；其中[L/4]表示L/4取整數部分，L為關節點運動序列的長度；同時關節點運動序列頭部的其它字符依次后移，超出頭部長度的字符串刪除；其中L為關節點運動序列的長度，h為關節點運動序列頭部的長度；
當關節點運動序列效長度1<m<h時，在關節點運動序列有效位的最后一個函數符后面插入h-m個隨機得來的函數符串，關節點運動序列頭部插入點后的其他字符依次后移，超出頭部長度的字符串刪除。
優選的，所述步驟S3中，對于各關節點Ji(i＝1,2...,N)，N為樣本中關節點的總數，記得到的人體運動模型為zi＝Fi(x,y,t)；步驟S3中提取人體運動模型的模型特征具體過程如下：
等距地取k個時刻記為tj,j＝1,2,…,k；
計算各關節點的梯度信息和i＝1,2,…,N；j＝1,2,…,k；其中分別表示第i個關節點在第tj時刻對應的x,y坐標值；
將上述計算得到的各關節點梯度信息和i＝1,2,…,N；j＝1,2,…,k作為人體運動模型為zi＝Fi(x,y,t)的模型特征。
更進一步的，所述步驟S5中通過各訓練樣本的人體運動模型的模型特征訓練得到神經網絡模型的具體過程如下：
S51、首先建立單隱層神經網絡框架，將步驟S4中得到各訓練樣本的人體運動模型的模型特征i＝1,2,…,N；j＝1,2,…,k作為神經網絡的輸入訓練樣本集，其中設置N×2k個輸入神經網絡，設置隱層神經元個數為N×4k+1個；根據人體行為包括的類別數M設置輸出神經元個數為M個，即輸出向量為{c1,c2,…,cs,…,cM}，其中cs∈R，且取值區間為[0,1]，當cs＝max{c1,c2,…,cM}時，cs取為1，即神經網絡輸出向量為{0,0,…,1,…,0}，表示人體行為屬于第s類行為；
S52、設置神經網絡學習率η為0～1之間的隨機數，且神經網絡變換函數f(x)設置為Sigmoid函數，學習規則為連續感知器學習規則，利用誤差反向傳播算法訓練神經網絡，得到神經網絡模型。
優選的，其特征在于，所述步驟S5中，針對于各訓練樣本的人體運動模型的模型特征，作為神經網絡的輸入，通過十拆交叉驗證法訓練得到神經網絡模型，作為最終的人體行為分類器。
本發明相對于現有技術具有如下的優點及效果：
(1)本發明人體行為識別方法針對獲取到的人體行為深度圖像，從中分別提取出人體多個關節點各自對應的三維時間序列數據作為一個樣本，然后利用自反饋基因表達式編程對樣本進行建模，得到各樣本基于關節點的人體運動模型，并且提取人體運動模型的梯度信息作為模型特征。獲取到訓練樣本集后，將訓練樣本集中訓練樣本對應的人體運動模型的模型特征輸入至神經網絡，將訓練得到神經網絡模型作為人體行為分類器；獲取到測試樣本后，將測試樣本對應的人體運動模型的模型特征輸入至上述獲取的人體行為分類器中，通過該人體行為分類器得到人體行為識別結果。本發明采用由現有技術中的基因表達式編程(GEP)在交叉、變異操作后再加入TIS插串操作構造得到自反饋基因表達式編程對樣本進行建模，其中TIS插串操作指的是在關節點運動序列頭部插入函數符串，用于增加關節點運動序列有效位的長度，從而可以以增加種群個體的均勻性，使其更能快速的收斂到問題的全局最優解，避免陷入局部最優解。因此本發明中采用自反饋基因表達式編程對樣本進行建模能夠有效提高人體行為識別的準確度以及識別的速度。
(2)本發明中將對于特定行為具有代表性的梯度信息作為人體運動模型中的模型特征，相比現有技術中采用全局或者局部運動特征作為模型特征，本發明的模型特征能夠更準確的反映出人體行為運動，大大減少特征復雜度，提高特征代表性以及識別正確率。
(3)本發明使用微軟體感設備Kinect結合第二代SDK以及OpenCV計算機視覺庫獲取人體行為深度圖像，能有效提高數據精度，在一定程度上解決現有技術中使用傳統攝像設備識別效率低、識別效果受環境因素影響大以及佩戴關節傳感器成本高、使用不方便等技術問題；
附圖說明
圖1是本發明方法流程圖。
圖2是本發明方法中自反饋基因表達式編程建立人體運動模型流程圖。
圖3是本發明方法中自反饋基因表達式編程建立人體運動模型過程中建立的表達式樹圖。
圖4是圖3中表達式樹圖的生成過程。
具體實施方式
下面結合實施例及附圖對本發明作進一步詳細的描述，但本發明的實施方式不限于此。
實施例
本實施例公開了一種基于自反饋基因表達式編程的人體行為識別方法，其特征在于，如圖1所示，步驟如下：
S1、獲取人體行為深度圖像，然后從人體行為深度圖像中分別提取出人體N個關節點各自對應的三維時間序列數據，作為一個樣本，即一個樣本中包括人體N個關節點的三維時間序列數據；其中在本實施例中使用微軟體感設備Kinect結合第二代SDK以及OpenCV計算機視覺庫獲取人體行為深度圖像，利用TOF(Time Of Flight，飛行時間)技術，計算微軟Kinect傳感器中紅外傳感器發射的紅外光線到達人體后反射的相位差，得到基于關節點的人體行為深度圖像。各個關節點對應的三維時間序列數據是以微軟體感設備Kinect的紅外傳感器為原點所建立的空間直角坐標系得到的，該空間直角坐標系包括x軸、y軸和z軸，其中x軸正方向為平行于微軟體感設備Kinect水平方向向左，y軸正方向為垂直于微軟體感設備Kinect傾斜方向向上，z軸正方向為微軟體感設備Kinect朝向方向。本步驟中在獲取到人體行為深度圖像后，將人體行為深度圖像中的人體與背景進行分割，然后轉化為骨架追蹤系統，從而獲取人體的多個關節點三維時間序列數據在本實施例中N為25，即從人體行為深度圖像中分別提取出人體25個關節點對應的三維時間序列數據。
S2、利用自反饋基因表達式編程對樣本進行建模，獲取到樣本對應的各關節點運動序列，從而得到各樣本基于關節點的人體運動模型；其中所述自反饋基因表達式編程(SGEP)由基因表達式編程(GEP)在交叉、變異操作后再加入TIS插串操作構造得到，其中TIS插串操作指的是在關節點運動序列頭部插入函數符串，用于增加關節點運動序列有效位的長度增長。
S3、提取人體運動模型的梯度信息作為模型特征；對于各關節點Ji(i＝1,2...,N)，記得到的人體運動模型為zi＝Fi(x,y,t)；步驟S3中提取人體運動模型的模型特征具體過程如下：
等距地取k個時刻記為tj,j＝1,2,…,k；
計算各關節點的梯度信息和i＝1,2,…,N；j＝1,2,…,k；其中分別表示第i個關節點在第tj時刻對應的x,y坐標值；
將上述計算得到的各關節點梯度信息和i＝1,2,…,N；j＝1,2,…,k作為人體運動模型為zi＝Fi(x,y,t)的模型特征。
S4、通過步驟S1獲取到訓練樣本集，并且各訓練樣本通過步驟S2的方式獲取到各訓練樣本的人體運動模型，然后通過步驟S3的方式提取各訓練樣本的人體運動模型的模型特征。
S5、將各訓練樣本的人體運動模型的模型特征作為神經網絡的輸入，通過設置神經網絡的層數、神經元的個數、初始化權值參數以及選擇梯度下降優化算法，對神經網絡進行訓練，將訓練得到神經網絡模型作為最終的人體行為分類器；具體過程如下：
S51、首先建立單隱層神經網絡框架，將步驟S4中得到各訓練樣本的人體運動模型的模型特征i＝1,2,…,N；j＝1,2,…,k輸入至神經網絡，其中設置N×2k個輸入神經網絡，設置隱層神經元個數為N×4k+1個；根據人體行為包括的類別總數M設置輸出神經元個數為M個，即輸出向量為{c1,c2,…,cs,…,cM}，其中cs∈R，1,2,…,s,…,M分別表示人體行為所屬類別，且取值區間為[0,1]，當cs＝max{c1,c2,…,cM}時，cs取為1，即神經網絡輸出向量為{0,0,…,1,…,0}，表示人體行為屬于第s類行為；
S52、設置神經網絡學習率η為0～1之間的隨機數，且神經網絡變換函數f(x)設置為Sigmoid函數，即f(x)＝1/(1+e-x)，學習規則為連續感知器學習規則，利用誤差反向傳播算法訓練神經網絡，得到神經網絡模型。
在本步驟中，對于各訓練樣本的人體運動模型的模型特征，作為神經網絡的輸入，通過十拆交叉驗證法訓練得到神經網絡模型，作為最終的人體行為分類器。
S6、通過步驟S1獲取到測試樣本，并且測試樣本通過步驟S2的方式獲取到測試樣本的人體運動模型，然后通過步驟S3的方式提取測試樣本的人體運動模型的模型特征。
S7、將測試樣本的人體運動模型的模型特征輸入至步驟S5中獲取到的人體行為分類器中，通過該人體行為分類器得到人體行為識別結果。
本實施例上述步驟S2中，如圖2所示，自反饋基因表達式編程對樣本進行建模，得到各樣本基于關節點的人體運動模型的具體過程如下：
S21、確定人體運動模型所需的函數符集和終結符集以及終結符個數，并設定循環終止條件，然后進入步驟S22；其中本步驟中函數符集F為：
F＝{S，C，T，I，R，N，P，Q，E，A，G，L，B，D，F，H}
其中函數符集F中的各元素代表含義如下：
S表示正弦函數Sin，C表示余弦函數cos，T表示正切函數tan，I表示反正弦函數asin，R表示反余弦函數acos，N表示反正切函數atan，P表示冪函數pow，Q表示平方根函數sqrt，E表示自然數為底的指數函數exp，A表示絕對值函數abs，G表示符號函數sign，L表示自然對數函數ln，B表示以10為底的對數函數lg，D表示雙曲正弦函數sinh，F表示雙曲余弦函數cosh，H表示雙曲正切函數tanh；
即函數符集F為：F＝{Sin，cos，tan，asin，acos，atan，pow，sqrt，exp，abs，
sign，ln，lg，sinh，cosh，tanh}
本步驟中終結符集包括多維終結字符以及常數終結字符集；
其中多維終結字符T為：
T＝{a，b，c，d，e，f，g，h，i}；
其中多維終結符集T中的各元素分別代表多維變量中每個自變量，在檢驗人體運動模型時將各變量所對應的實際值代入人體運動模型中；其中常數終結符集C為：C＝{1000，-1000}。
本步驟中循環終止條件通常設置為以下條件之一：
(1)代表構造整個人體運動運動模型的種群的演化次數達到了一定值；
(2)代表整個人體運動運動模型的種群最優個體的適應值達到預先設定的值，或在一定演化次數內沒有變化。
S22、創建隨機關節點運動序列初始種群，將種群中各關節點運動序列為基因表達式樹，即ET樹；其中初始種群即為初始的人體運動模型，由各關節點運動序列構成，而關節點運動序列又是由函數符集和終結符集組成；其中終結符集中包括關節點三維時間序列數據中時間t，關節點三維時間序列數據坐標分量等；
本步驟中將各關節點運動序列表達式轉變為基因表達式樹的過程如下：
將隨機生成的關節點運動序列的首個符號作為表達式的根節點；
按順序依次將關節點運動序列的字符通過廣度遍歷的方法為每個元素集函數符或終結符生成樹結點，其中，子結點的數目即為該結點應含參數的個數(終結符及無參函數所需參數個數即為0，子結點的代表值依照序列中符號順序填充補齊。
本實施例中的關節點運動序列代表演化算法中的基因，比如第i個關節點為Ji，某個行為下在某一時刻t該關節點的坐標數據為通過第i個關節點的三維時間序列數據可以獲取到，如是一個合法的序列，其中Q表示函數符開方，帶下劃線的部分為基因尾部，不帶下劃線的部分為基因頭部。圖3與之對應的表達式樹。其中圖4A至4G所示為圖3的表達式樹的生成過程。
S23、計算種群中各關節點運動序列的適應值，然后通過相對誤差估計模型或絕對誤差模型對種群中各關節點運動序列對環境的適應能力進行評估，在評估結果符合條件的情況下，從種群選擇出一定數量的個體作為父體；并且判斷是否滿足循環終止條件，若滿足，則跳轉到S26，否則進入步驟S24；
其中本步驟中所使用的相對誤差估計模型為：
其中本步驟中所使用的絕對誤差估計模型為：
其中n為種群中提取的關節點運動序列驗證樣本的總數，fi表示關節點Ji運動序列的適應度值，R為一常數，(0，R)為適應度值控制的范圍；P(i,j′)是利用關節點Ji對應的運動序列所求出的第j′個關節點運動序列驗證樣本的函數值，Yj′是第j′個關節點運動序列驗證樣本的真實值；
采用二范數(是指空間上兩個向量矩陣的直線距離)，形如:來評價當前模型的好壞，其中是預測向量，Y是實際值向量。在本步驟中當fi無限趨近于n*R時，即相對誤差估計模型和絕對誤差估計模型中|P(i,j′)-Yj′|無限趨近于0時的情況下，則在本步驟中判斷評估結果符合條件。
S24、根據步驟S23選擇出的父體，對種群中的個體進行基因表達式編程的交叉、變異操作；
S25、對種群個體進行TIS插串操作，得到下一代種群個體，回到步驟S23；
S26、輸出模型，得到最優染色體所表示的函數表達式，即關節點的人體運動模型。
關節點運動序列由頭部和尾部組成，關節點運動序列的長度是指頭部和尾部的長度之和，關節點運動序列中有效長度一般小于關節點運動序列的長度。設關節點運動序列頭部的長度是h，尾部的長度為I，則關節點運動序列頭部的長度h和關節點運動序列尾部的長度I之間的關系可以定義為：
I＝h(n-1)+1；
其中，上式中，n表示函數符集合中所含參數目數最多的函數符的參數目數數量。如此規定是為了保證關節點運動序列的長度足夠且序列不會由于長度原因導致非法的現象。
其中關節點運動序列中有效長度的計算步驟如下：
1)建立兩個指針p、q指向關節點運動序列的第一個符號；
2)如果指針p指向的是函數符，則指針q后移，后移的位數為該函數符所需參數個數；
3)指針p后移1位；
4)如果指針p不在指針q之后，返回第2)步；
5)計算關節點運動序列的有效長度位數，從關節點運動序列第一個符號位起到指針q所指向的符號位止即為有效序列，其長度即為序列的有效長度；
在本實施例中上述TIS插串操作過程包括如下：
當關節點運動序列有效長度m＝1時，即關節點運動序列的根位置是一個常數，此時，從關節點運動序列根位置開始到第[L/4]位變異為隨機得來的函數符串；其中[L/4]表示L/4取整數部分；同時關節點運動序列頭部的其它字符依次后移，超出頭部長度的字符串刪除；其中L為關節點運動序列的長度，h為關節點運動序列頭部的長度。
例如某關節點運動序列為：ab*/aba+*aababbbbbaba，其中帶橫線部分為關節點運動序列的尾部，而未帶橫線部分為關節點運動序列的頭部，a、b、c分別代表關節點Ji的坐標數據該關節點運動序列的長度L＝21，其頭部長度h＝10，尾部長度I＝11，通過該序列可以得出其有效長度m＝1，滿足m＝1，根據上述TIS插串操作，從根位置開始到第[L/4]位變異為隨機得來的函數符串，即將關節點運動序列的第一個位置開始至第五個位置變異為隨機得到的函數字符串，若隨機得到的函數字符串為*-+QS，則進行TIS插串操作后，該關節點運動序列變為*-+QS ab*/aababbbbbaba，其中關節點運動序列的第一個位置開始至第五個位置變異為*_*SQ的同時，其頭部的ab*/aba+*后移，后移后超出頭部長度的字符串ba+*被刪除。由TIS插串操作后的該關節點運動序列*-+QS ab*/aababbbbbaba，可以得知該關關節點運動序列的有效位變為了13。
當關節點運動序列效長度1<m<h時，在關節點運動序列有效位的最后一個函數符后面插入h-m個隨機得來的函數符串，關節點運動序列頭部插入點后的其他字符依次后移，超出頭部長度的字符串刪除；
例如某關節點運動序列為：+b/ababa+*ababbbbaba，其中帶橫線部分為關節點運動序列的尾部，而未帶橫線部分為關節點運動序列的頭部，該關節點運動序列的長度L＝21，其頭部長度h＝11，尾部長度I＝10，通過該序列可以得出其有效長度m＝5，有效位為+b/ab，滿足1<m<h，根據上述TIS插串操作，在有效位的最后一個函數符/后插入h-m＝5各隨機得到的函數字符串，若隨機得到的函數字符串為*_*SQ，則進行TIS插串操作后，該關節點運動序列變為+b/*_*SQ abababbbbaba，其中*_*SQ插入后，頭部的ababa+*后移，后移后超出頭部長度的字符串aba+*被刪除。由TIS插串操作后的該關節點運動序列為+b/*_*SQ abababbbbaba，可以得知該關節點運動序列的有效位變為14，有效長度越長就越能保證種群個體分布的均勻性，能更好的避免算法吸入局部最優解。
當關節點運動序列有效長度為m>＝h，不做任何操作；
由上述可見，本實施例采用由現有技術中的基因表達式編程(GEP)在交叉、變異操作后再加入TIS插串操作構造得到自反饋基因表達式編程對樣本進行建模，在建模過程中通過TIS插串操作增加關節點運動序列有效位的長度，從而可以以增加種群個體的均勻性，使其更能快速的收斂到問題的全局最優解，避免陷入局部最優解。因此本實施例方法采用自反饋基因表達式編程對樣本進行建模能夠有效提高人體行為識別的準確度以及識別的速度。同時，本實施例對于特定行為具有代表性的梯度信息作為人體運動模型中的模型特征，相比現有技術中采用全局或者局部運動特征作為模型特征，本實施例提取的模型特征能夠更準確的反映出人體行為運動，大大減少特征復雜度，提高特征代表性以及識別正確率。
上述實施例為本發明較佳的實施方式，但本發明的實施方式并不受上述實施例的限制，其他的任何未背離本發明的精神實質與原理下所作的改變、修飾、替代、組合、簡化，均應為等效的置換方式，都包含在本發明的保護范圍之內。
- 還沒有人留言評論。精彩留言會獲得點贊！