[发明专利]一种基于人体行为识别的统一特征选择系统

说明书

本发明公开了一种基于人体行为识别的统一特征选择系统，包括特征选择模块、特征重组模块以及数据共享模块；特征选择模块中配置有对应的特征选择算法，通过任一特征选择算法单元对人体行为数据进行特征选择，获得特征子集并存储；对特征子集采用分类算法进行人体行为识别，获得识别准确率；基于该识别准确率与预设阈值的比对结果执行继续调用特征选择模块或调用特征重组模块或退出特征选择模块；特征重组模块中配置有特征重组算法，将特征子集划分为高频特征和低频特征并分别存储；采用特征重组算法对获得的高频特征和低频特征进行特征重组形成新的特征子集，并采用分类算法进行人体行为识别，获得识别准确率。

技术领域

本发明涉及人体行为特征分类技术领域，尤其涉及一种基于人体行为识别的统一特征选择系统。

背景技术

随着人工智能相关技术的兴起，以及微机电系统工艺的发展，基于加速度传感器的人体行为识别由于具有很高的社会应用价值，引起了科研人员的广泛关注。在基于加速度传感器的人体行为识别领域中，对人体日常活动行为进行识别分类，通常采用传统的机器学习相关算法，例如支持向量机、最近邻算法等。

在对人体日常活动行为进行识别分类的过程中，特征选择是一个非常重要的环节。目前，针对人体行为识别领域中的特征选择，一般都是采用单一的特征选择算法。常用的特征选择算法包括如下几种。其一，过滤式特征选择算法，依据计算统计量对特征进行排序，进而选取特征。统计量不同，则计算方式不同，从而计算耗时不同。其二，包裹式特征选择算法，这种特征选择算法由于采用了随机策略，每次特征子集的评价都需要训练学习器，根据学习器的性能对特征子集进行评价，直到选出最佳的特征子集。因而计算开销很大。其三，嵌入式特征选择算法，这种特征选择算法将特征选择过程与学习器训练过程融为一体，两者在同一个优化过程中完成。

这三种特征选择算法在相关研究中都有所应用，但目前人们一般采取以上单一一种算法对人体行为识别进行特征选择，所选择的算法可能存在无法满足预设阈值的要求，或算法复杂，计算量大从而耗时过长的问题。

发明内容

本发明为解决现有的采取单一算法对人体行为识别进行特征选择的方式存在局限性，无法很好地平衡准确率和耗时的问题，提供了一种基于人体行为识别的统一特征选择系统。

为实现以上发明目的，而采用的技术手段是：

一种基于人体行为识别的统一特征选择系统，包括特征选择模块、特征重组模块以及数据共享模块；

所述特征选择模块，包括若干特征选择算法单元，其中配置有对应的特征选择算法，用于：

通过任一特征选择算法单元对人体行为数据进行特征选择，获得特征子集并存储于数据共享模块中；

对所述特征子集采用分类算法进行人体行为识别，获得识别准确率；基于该识别准确率与预设阈值的比对结果执行继续调用特征选择模块或调用特征重组模块或退出特征选择模块；

所述特征重组模块，其中配置有特征重组算法，用于：

将所述特征子集按特征出现频率将特征划分为高频特征和低频特征并分别存储于数据共享模块中；采用特征重组算法对获得的高频特征和低频特征进行特征重组形成新的特征子集，基于新的特征子集，采用分类算法进行人体行为识别，获得识别准确率，基于该识别准确率与预设阈值的比对结果执行继续调用特征重组模块或退出特征重组模块。

上述方案中，通过对多种特征选择算法进行融合，并设置预设阈值与识别准确率进行比对从而确保获取的特征子集满足所需正确率，提高特征选择算法所选的特征子集的泛化能力。

优选的，所述数据共享模块包括：

第一数据存储单元，用于存储特征选择算法单元所获得的特征子集；

第二数据存储单元，用于存储特征重组模块和特征选择模块进行递归的标志值；