[发明专利]一种基于特征重组的人体行为识别方法及系统

说明书

本发明公开了一种基于特征重组的人体行为识别方法及系统，所述人体行为识别方法具体包括：选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择，选出各自的人体行为特征集并组合形成一个初始化特征集；在初始化特征集中，按特征出现频率将特征划分为高频特征和低频特征，并对低频特征进行随机选择与高频特征重组形成新的特征集；基于重组后的特征集，采用分类算法进行人体行为识别，计算各类人体行为的识别准确率。本发明进一步保证了人体行为识别的准确率，可广泛应用于人机交互等领域。

技术领域

本发明涉及人体行为特征分类技术领域，具体涉及一种基于特征重组的人体行为识别方法及系统。

背景技术

随着微机电系统的发展，人体行为识别在智慧生活、医疗健康、运动监测等众多领域逐步被应用，并成为研究热点。在现有研究中，一般采用三轴加速度传感器等设备实时获取当事人的行为数据，并采用相应的算法进行处理分析，试图获得高准确率的行为识别分类。然而识别准确率易受特征选择方法的影响。现有技术一般通过采用Adaboost等集成分类器对人体行为特征进行分类，然而虽然高维度的特征对识别准确率有较好的保证，但仍需考虑使用特征选择算法进一步降低特征的维度。所以现有技术中也有采用主成分分析等技术对特征进行降维，然而使用固定的特征数量虽然在所有的行为分类中有较好的效果，但必定会对某些特定的行为分类带来不必要的计算复杂度。也有一些技术采用过滤式混合方法进行特征选择，但其原理依然是遵循特征加权进行排序，并没有结合具有不同原理的特征选择方法。

由此可知，现有技术还有待于进一步的改进和发展。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于特征重组的人体行为识别方法及系统，进一步提高人体行为识别的准确率。

本发明的第一个目的可以通过采取如下技术方案达到：

一种基于特征重组的人体行为识别方法，所述人体行为识别方法包括以下步骤：

S1、选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择，将选出的各自的人体行为特征集组合形成一个初始化特征集；

S2、在初始化特征集中，按特征出现频率将特征划分为高频特征和低频特征，并对低频特征进行随机选择与高频特征重组形成新的特征集New_Features；

S3、基于重组后的特征集New_Features，采用分类算法进行人体行为识别，并计算各类人体行为的识别准确率。

进一步地，所述步骤S1包括：

S11、选用特征选择方法对人体行为数据进行特征选择，形成各自的人体行为特征集，表示为Features(F(i),Data_train)，其中F(i)表示第i种特征选择方法，Data_train表示人体行为训练数据集，所述特征选择方法包括方差分析过滤式、互信息过滤式、包裹式及嵌入式特征选择方法中一种或多种；

S12、将所选方法所选择的特征集组合初始化为一个特征集合，表示为Total＝{Features(F(i),Data_train)}。

进一步地，所述步骤S2包括：

S21、在初始化特征集中，统计各个特征的出现频率，表示为Frequency(Feature[i])，其中Feature[i]表示第i个特征，并划分为高频特征集和低频特征集，分别表示为High_Freq＝{Feature[i]|Frequency(Feature[i])≥Frequency(threshold)}和Low_Freq＝{Feature[i]|Frequency(Feature[i])Frequency(threshold)}，其中，Frequency(threshold)表示特征出现频率的阈值；