一种基于高斯过程分类器的人体行为识别方法
【技术领域】
[0001]本发明属于人体模式识别领域，特别是涉及一种基于高斯过程分类器的人体行为识别方法。
【背景技术】
[0002]人体行为识别指对人的动作类型、行为模式进行分析和识别，一般通过采用一种合适的方式表达从物理世界各种类型的数据序列中抽取的相关信息，并解释这些信息，以实现学习和识别人的行为。穿戴式行为识别主要通过在身体不同部位穿戴各种传感器直接识别用户的运动方式。由于结构简单、数据处理容易、仪器成本低廉等优势，穿戴式行为识别已成为医学远程监护、健康保健、应急救援、军事国防等领域中重要的技术手段和研宄热点。
[0003]基于穿戴式传感器的人体行为识别系统一般可分为数据采集、窗长度选取、特征提取、特征选择、降维处理、分类、结果验证等过程，其中分类器的选取是整个系统中的关键技术之一，对于分类结果有直接影响。目前，常用的分类算法有支持向量机、人工神经网络、隐马尔科夫模型、贝叶斯分类器等。然而，它们各有弊端，如贝叶斯分类器需要大量的样本数据，人工神经网络除了需要大量的样本数据外，其网络结构也难以确定，隐马尔科夫模型中的假设条件较严格，实用性较差，支持向量机存在规则化系数、核函数参数确定困难等固有局限。此外，传统的分类算法都很难在输入数据的维数较高时取得较好的分类效果。
[0004]高斯过程分类器是一种基于高斯过程和贝叶斯理论的新的统计学习算法，是当前国际上机器学习研宄的热点领域。由于高斯过程分类器具有以下优点:超参数在模型学习的过程中自行优化；以概率的形式输出分类结果，易于分析问题的不确定性；有效解决小样本、高维、非线性等复杂的分类问题等，近年来，高斯过程分类器在人脸识别、变压器故障诊断、边坡稳定性学习记忆以及基于视觉的人体行为识别等方面取得了较好的研宄成果。但是，高斯过程分类器在应用于基于穿戴式传感器的人体行为识别方面至今仍是空白。
[0005]鉴于此，本发明提出了高斯过程分类器应用于基于穿戴式传感器的人体行为识另IJ，通过与较为流行的支持向量机比较，高斯过程分类器在高维输入和小样本情况下取得了明显较好的分类效果。
【发明内容】
[0006]鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于高斯过程分类器的人体行为识别方法，用于解决现有技术中人体行为分类识别效果不够理想的问题。
[0007]为实现上述目的及其他相关目的，本发明提供一种基于高斯过程分类器的人体行为识别方法，包括步骤:
[0008]I)训练出若干个高斯过程二分类器模型，每个模型对应于判断属于某类人体行为的概率；
[0009]2)获取人体行为的测试数据，将测试数据导入各个已经训练好的高斯过程二分类器模型，分别计算该测试数据所属的各个人体行为类别的概率；
[0010]3)比较各个人体行为类别的概率的值，最大值所对应的人体行为类别即判定为该测试数据所属的人体行为类别。
[0011]作为本发明的基于高斯过程分类器的人体行为识别方法的一种优选方案，步骤I)中，为区分每类人体行为对应的数据集，将输入的训练数据集表示为:属于i类人体行为的输入数据Xi= [X Π,…，xin]T，其类标为Yi= [y Π,…，yin]T，其中Xij表示第j个输入向量，YijG {+I, -1}，(i = A, B, C，D...； j = I,…，η)。
[0012]作为本发明的基于高斯过程分类器的人体行为识别方法的一种优选方案，步骤I)中，在训练高斯过程二分类器模型A时，输入数据为X = [χΑ1,…，xAn]T，对应的类标为Y =[yAi,…，yAJT，其中 YAj= +1，y ?■= -1Q = B, C，D...；j = I,…，η),即属于 A类人体行为的输入数据的对应类标标记为+1，其余类别的标记为-1，将X，Y送入高斯过程二分类器模型，训练出高斯过程二分类器模型Α。
[0013]作为本发明的基于高斯过程分类器的人体行为识别方法的一种优选方案，步骤I)中，依据训练出高斯过程二分类器模型A的方法训练出对应于各类人体行为的高斯过程二分类器模型i，其中，i = B，C,D-?
[0014]作为本发明的基于高斯过程分类器的人体行为识别方法的一种优选方案，步骤2)中，将人体行为的测试数据分别送入已经训练好的高斯过程二分类器模型i，计算出测试数据属于i类人体行为的概率值Pi,其中，i = A, B, C,D-o
[0015]作为本发明的基于高斯过程分类器的人体行为识别方法的一种优选方案，步骤3)中，比较各个人体行为类别的概率值Pi,最大值所对应的人体行为类别即判定为该测试数据所属的人体行为类别，其中，i = A，B，C，D...。
[0016]作为本发明的基于高斯过程分类器的人体行为识别方法的一种优选方案，所述高斯过程二分类器模型包括分别对应于走、跑、站、及躺的高斯过程二分类器模型。
[0017]如上所述，本发明提供一种基于高斯过程分类器的人体行为识别方法，包括步骤:
1)训练出若干个高斯过程二分类器模型，每个模型对应于判断属于某类人体行为的概率；
2)获取人体行为的测试数据，将测试数据导入各个已经训练好的高斯过程二分类器模型，分别计算该测试数据所属的各个人体行为类别的概率；3)比较各个人体行为类别的概率的值，最大值所对应的人体行为类别即判定为该测试数据所属的人体行为类别。本发明具有以下有益效果:
[0018]I)与传统分类器相比，高斯过程分类器可以预测出属于某一类行为的概率大小，这在判决测试数据所属的类别时，可以有多种权重选择性。
[0019]2)与较为流行且成熟的分类技术支持向量机相比，高斯过程分类器在输入数据的维数较高时，有更好的分类精度。
[0020]3)与支持向量机相比，当训练数据较多时，高斯过程分类器所用的训练时间明显短很多。
【附图说明】
[0021]图1显示为本发明的基于高斯过程分类器的人体行为识别方法中高斯过程二分类器模型的训练流程示意图。
[0022]图2本发明的基于高斯过程分类器的人体行为识别方法中高斯过程二分类器模型的学习决策流程示意图。
[0023]图3显示为本发明的高斯过程分类器和支持向量机在输入数据的维数较多时的识别精度对比曲线图。
[0024]图4显示为本发明的高斯过程分类器和支持向量机在训练样本较多时训练时间的比较曲线图。
【具体实施方式】
[0025]以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的【具体实施方式】加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
[0026]请参阅图1?图4。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0027]如图1?图4所示，本实施例提供一种基于高斯过程分类器的人体行为识别方法，包括步骤:
[0028]如图1所示，首先进行步骤I)，训练出若干个高斯过程二分类器模型，每个模型对应于判断属于某类人体行为的概率。
[0029]作为示例，步骤I)中，为区分每类人体行为对应的数据集，将输入的训练数据集表示为:属于i类人体行为的输入数据Xi= [Xil，…，Xin]τ，其类标为Yi= [yn，…，yin]T，其中 Xij表示第 j 个输入向量，y ij-e {+I, -1}，(i = A, B, C，D...； j = I,..., n)。
[0030]作为示例，步骤I)中，在训练高斯过程二分类器模型A时，输入数据为X= [χΑ1，...，XaJt，对应的类标为Y = [yA1.…，yAJT，其中 yAj= +1, yij= -1(i = B, c,D---；j = I,…，η),即属于A类人体行为的输入数据的对应类标标记为+1，其余类别的标记为-1，将X，Y送入高斯过程二分类器模型，训练出高斯过程二分类器模型A。
[0031]作为示例，步骤I)中，依据训练出高斯过程二分类器模型A的方法训练出对应于各类人体行为的高斯过程二分类器模型i，其中，I = B, C1D-O
[0032]具体地，实现本发明目的的关键技术是将高斯过程分类器引入人体行为识别算法中，以高斯过程二分类器算法为基础，采用一对多策略，实现多类行为识别。在本实施例中，以区分走、跑、站、躺四类行为为例，其实现过程包括如下步骤(其中高斯过程二分类模型简称为二分类模型):
[0033]步骤1-1)，为区分每类人体行为对应的数据集，可将输入的训练数据集分别表示为:属于“走”的输入数据Xa= [X Al,…，xto]T，其类标为Ya= [y Al.…，yto]T;属于“跑”的输入数据Xb= [χΒ1，…，χΒη]τ，其类标为Yb= [yB1，一，yBn]T;属于“站”的输入数据Xc=[xCi,…，XcJt，其类标为Y。= [y α.…，ycJT;属于“躺”的输入数据Xd= [xD1，…，xDn]T，其类标为Yd= [y D1，…，yDn]