基于移动终端的行为识别方法及移动终端的制作方法
【专利摘要】本发明公开一种基于移动终端的行为识别方法及移动终端，主要针对现有人体行为识别方法中特征集的抽取能耗大而设计。本发明，通过移动终端的传感器采集行为的传感数据；将所述传感数据通过小波函数变换为小波特征向量；基于所述小波特征向量进行行为的特征值的抽取，得到行为的特征集；将所述特征集中的数据进行训练，取得分类器；对未知行为进行识别步骤。本发明通过在小波域下提取人体行为的特征集，在保证了特征集的抽取效率和精准度的前提下，降低了人体行为特征集抽取的能耗。
【专利说明】基于移动终端的行为识别方法及移动终端
【技术领域】
[0001]本发明涉及行为识别【技术领域】，具体涉及一种基于移动终端的行为识别方法及移动终端。
【背景技术】
[0002]近年来随着“智慧”环境、医疗、家庭和办公室等一系列“智慧”概念的提出，行为识别技术作为该【技术领域】的核心得到了人们的广泛关注。
[0003]传统的人体行为识别技术是基于图形图像，利用图形图像处理技术对人体行为进行特征值的抽取和建模，从而得到被判断对象的行为状态。这种基于图形图像对人体行为进行识别的方法存在如下问题:
[0004]第一，对数据源的质量要求较高；
[0005]第二，图形图像处理算法的复杂度较高，图形图像的特征和内容的识别准确度都相对较低；
[0006]第三，利用图形图像处理的方式在实际应用场景中局限性很大。
[0007]显然传统基于图形图像的行为识别方法很难满足一系列“智慧”概念的需求，然而随着传感器和可穿戴技术的飞速发展，利用佩带的传感器采集的数据对人体行为进行建模得到了广泛的应用和长足的发展。利用传感器技术进行人体行为识别有如下好处:
[0008]第一，传感器成本低、小巧且佩带方便，更容易应用到现实生活场景中；
[0009]第二，传感器流数据处理开销较小，模型识别准确率高；
[0010]第三，传感器数据类型丰富，模型扩展性好，易于扩展新的数据类型。
[0011]然而，近几年来行为识别方面的研究大多数集中在可穿戴传感系统的原型设计、建立人体行为数据库、建立开放数据集、利用机器学习建立行为识别模型等方面。作为交叉领域，通常利用其他领域中比较成熟的建模方法来对人体行为进行模型建立。目前，利用传感器数据进行人体行为分析的领域中，仍然存在着如下的问题:
[0012]第一，行为识别的精度不能满足当前应用的需求，尤其是对一些细微的动作的区别；
[0013]第二，现有的对传感数据进行特征提取(降维)的方法存在着较大的冗余性，导致特征集对数据区分能力和稳定性下降；
[0014]第三，抽取特征的计算能耗较高，一般移动设置的能量存储有限，不利于在移动设备和能量供应受限的平台上工作。
【发明内容】
[0015]针对上述问题，本发明提供一种在效率和精准度较高的前提下，计算能耗较小的基于移动终端的行为识别方法及移动终端。
[0016]为达到上述目的，本发明基于移动终端的行为识别方法，所述方法包括:
[0017]SI通过移动终端的传感器采集表征行为的传感数据；[0018]S2将所述传感数据通过小波函数变换为小波域下的小波特征向量，所述小波函数
为:
[0019]
【权利要求】
1.一种基于移动终端的行为识别方法，其特征在于:所述方法包括: Si通过移动终端的传感器采集表征行为的传感数据； S2将所述传感数据通过小波函数变换为小波域下的小波特征向量，所述小波函数为: 其中，fa (χ)为位置j上的尺度为k的小波函数； dj,k为原时域函数f(x)变换后的小波系数； S3基于预定的特征值获取方法，对步骤S2中得到的包含行为特征的小波特征向量进行提取计算，得到表征行为的特征集； S4将所述特征集或/和所述特征集的子集作为训练数据，得到分类器； S5对行为的识别，即所述传感器采集的未知行为的传感数据进行步骤S2和S3的处理后，通过所述分类器进行识别，判断后输出该行为，并更新所述分类器。
2.根据权利要求1所述的基于移动终端的行为识别方法，其特征在于:所述传感器包括加速度传感器和陀螺仪传感器，所述传感数据分别取自加速度和陀螺仪传感器的X、1、z三个轴。
3.根据权利要求1所述的基于移动终端的行为识别方法，其特征在于:所述行为的特征集获得的具体方法包括: S3.1通过移动终端的传感器采集表征行为的传感数据； S3.2采用重叠滑动窗口的策略将连续的传感数据流划分为一个固定长度的基于移动终端的行为识别方法实体，通过小波函数对所述固定长度的实体进行η级小波变换，得到不同子频段上的小波向量；`` S3.3根据预定的韵律特征和节奏特征获取方法提取计算每个子频段上表征行为的小波向量，得到表征行为的特征集，其中 所述韵律特征获取方法具体包括:计算每个子频段上的小波向量系数的平均值、方差、偏度，得到行为的韵律特征集； 所述节奏特征获取方法具体包括:计算当前子频段计算消耗的能量占所有子频段计算消耗能量的百分比，得到行为的节奏特征集，所述节奏特征集计算公式表示如下:
4.根据权利要求1所述的基于移动终端的行为识别方法，其特征在于:还包括对所述训练数据进行归一化处理的步骤，其中所述归一化处理公式为:fnOTalizatim=f；aw-μ / σ，其中，μ为经验平均值，σ为一个特征在行为的标准差。
5.根据权利要求1所述的基于移动终端的行为识别方法，其特征在于:将传感数据变换为小波域上小波向量的小波函数通过实验的方法获得。
6.一种移动终端，其特征在于:包括传感器单元，用于采集行为的传感数据； 小波变换单元，用于将所述传感数据通过小波函数变换为小波域下的小波特征向量； 特征集获取单元，用于基于预定的特征值获取方法，对小波变换单元得到的包含行为特征的小波特征向量进行计算和/或抽取，得到表征行为的特征集； 数据训练单元，用于将所述特征集获取单元获得的特征集中的数据作为训练数据，得到分类器； 动作识别单元，用于对行为的识别，即所述传感器采集的未知行为的传感数据分别经过小波变换单元和特征集获取单元的处理后，将处理后的数据通过所述分类器进行识别，判断后输出该行为，并更新所述分类器。
7.根据权利要求6所述的移动终端，其特征在于:所述传感器包括加速度传感器和陀螺仪传感器，所述传感数据分别取自加速度和陀螺仪传感器的X、1、Z三个轴。
8.根据权利要求6所述的移动终端，其特征在于:所述小波变换单元，采用重叠滑动窗口的策略将连续的传感数据流划分为一个固定长度的实体，通过小波函数对所述固定长度的实体进行η级小波变换，得到不同子频段上的小波向量； 所述特征集获取单元包括韵律特征获取单元和节奏特征获取单元，所述韵律特征获取单元，用于根据预定的韵律特征的获取方法，通过计算每个子频段上的小波向量系数的平均值、方差、偏度，得到行为的韵律特征集； 所述节奏特征获取单元，用于根据预定的节奏特征的获取方法，计算当前子频段计算消耗的能量占所有子频段计算消耗能量的百分比，得到行为的节奏特征集。
9.根据权利要求6所述的移动终端，其特征在于:还包括数据归一化单元，用于对所述训练数据进行归一化处理。
【文档编号】G06K9/62GK103886323SQ201310439425
【公开日】2014年6月25日 申请日期:2013年9月24日 优先权日:2013年9月24日
【发明者】许斌, 崔健 申请人:清华大学