一种基于多分类器融合的人体运动行为识别模型

为了提高基于智能设备的人体日常行为识别的准确率,针对不同智能设备内置加速度传感器获取的三轴加速度信息,提出了一种基于多分类器融合的行为识别MCF(Multiple Classifier Fusion)模型。针对5种日常行为(静止、散步、跑步、上楼及下楼),优选出与每种行为相关度高的特征集,用于训练对每种行为识别效果最佳的5个基分类器,并采用一个融合器对5个基分类器的输出进行融合处理,得到最终行为识别结果。该模型对这5种行为的平均识别准确率和可信度分别达到96.84%和97.41%,能有效进行用户行为识别。     

特征选择和分类器参数优化联合进行的人体行为识别

特征选择和分类器参数优化是提高人体行为识别率的关键技术,针对当前模型没有考虑两者之间的联系不足,为了提高人体行为的识别率,提出了一种特征选择和分类器参数优化联合进行的人体行为识别模型。首先,分析当前人体行为识别研究的现状,并建立人体行为识别特征和分类器参数优化的数学模型;然后,利用改进粒子群算法对数学模型进行求解,建立最优的人体行为识别模型;最后,通过仿真实验测试其性能。结果表明,其模型克服了人体行为识别模型的缺陷,提高了人体行为识别率,识别速度也要快于对比模型。     

基于多分类器投票机的人体姿态识别算法

为了获得准确的人体姿态识别结果,满足智能视频监控的需求,提出一种融合Hu不变矩特征和傅里叶描述子特征的人体姿态识别算法,并将ReliefF算法引入特征选择过程中,区分特征的重要性,然后使用大数投票法构建多分类器投票机制进行姿态识别,该机制很好地发挥了各个分类器的优势,提高了识别的准确率。实验结果表明,提出的算法对各种姿态取得了很好的分类效果。     

基于FMCW雷达和ResNeSt-GRU的行为识别方法

针对FMCW雷达在行为识别方面的应用,提出一种基于分离注意力残差神经网络（ResNeSt）和门控神经单元（GRU）的人体行为识别系统。使用调频连续波（FMCW）雷达采集人体行为数据,之后采用快速傅里叶变换算法（FFT）提取雷达数据每一帧距离、速度和角度维信息,按照时间维度拼接成距离时间图（RTM）、多普勒时间图（DTM）和角度时间图（ATM）,最后以RTM、DTM和ATM作为输入样本,采用三流ResNeSt-GRU模型对不同人体行为进行识别。实验结果表明,三流ResNeSt-GRU模型对8种行为的平均识别准确率达到了98.92%,均高于传统和融合式深度学习模型。此外,采用该模型比传统特征融合之后采用单流网络的识别准确率提高了2.3%。因而该系统可以有效提高人体行为识别系统的识别准确率,为人体行为识别提供新的技术方法。     

动态自适应加权的多分类器融合词义消歧模型

词义消歧一直是自然语言处理中的热点和难题。集成方法被认为是机器学习研究的四大趋势之一,在系统研究已有集成学习方法在汉语词义消歧中的应用后,借鉴模式识别领域集成分类器思想,提出了一种动态自适应加权投票的多分类器集成方法来构建融合分类器。实验结果表明,所提融合分类器模型对汉语文本自动消歧结果的准确率提高较大。     

一种基于自相关函数特征的行为识别方法

为了增强特征敏感度,提高人体日常行为识别准确率,提出一种基于自相关函数的人体行为识别方法。首先对预先采集的人体行为数据进行预处理,然后从时域和频域提取特征后计算得到自相关函数特征,同时采取互相关函数的步进式方法在自相关函数上进行降噪操作。分别使用C4.5决策树、K最邻近(KNN)、支持向量机(SVM)、朴素贝叶斯(Naive Bayesian)四种分类器进行分类。实验结果表明,与选取纯粹的时、频域特征集进行识别分类的模型相比,选用了包含自相关函数特征的特征集构造出来的模型对行为的识别准确率有较大提高。     

多模态零样本人体动作识别

目的 在人体行为识别算法的研究领域,通过视频特征实现零样本识别的研究越来越多。但是,目前大部分研究是基于单模态数据展开的,关于多模态融合的研究还较少。为了研究多种模态数据对零样本人体动作识别的影响,本文提出了一种基于多模态融合的零样本人体动作识别（zero-shot human action recognition framework based on multimodel fusion, ZSAR-MF）框架。方法 本文框架主要由传感器特征提取模块、分类模块和视频特征提取模块组成。具体来说,传感器特征提取模块使用卷积神经网络（convolutional neural network, CNN）提取心率和加速度特征;分类模块利用所有概念（传感器特征、动作和对象名称）的词向量生成动作类别分类器;视频特征提取模块将每个动作的属性、对象分数和传感器特征映射到属性—特征空间中,最后使用分类模块生成的分类器对每个动作的属性和传感器特征进行评估。结果 本文实验在Stanford-ECM数据集上展开,对比结果表明本文ZSAR-MF模型比基于单模态数据的零样本识别模型在识别准确率上提高了4 %左右。结论 本文所提出的基于多模态融合的零样本人体动作识别框架,有效地融合了传感器特征和视频特征,并显著提高了零样本人体动作识别的准确率。     

基于三维骨骼节点的人体行为识别方法

针对传统行为识别方法存在的数据存储空间不足、识别效率不高以及扩展性不强等问题,本文在利用空间中人体关节点数据进行人体行为表示的基础上,通过自建行为数据集结合Spark MLlib算法库的随机森林算法对行为识别进行建模。为了提升识别模型的泛化能力,本文利用Spark平台下算法的并行且快速迭代的特性,提出了一种多重随机森林的加权大数投票算法。实验结果表明,随着基分类器个数的增加,行为分类准确率显著增高,基分类器个数在5个以后行为识别准确率趋于稳定且高达95%以上。在MSR Daily 3D与MSRC-12数据集上也验证本文行为识别方法的有效性。     

最小距离分类器的改进算法--加权最小距离分类器

最小距离分类器是一种简单而有效的分类方法。为了提高最小距离分类器的分类性能,主要的改进方法是选择更有效的距离度量。通过分析多重限制分类器和决策树分类器的分类原则,提出了基于标准化欧式距离的加权最小距离分类器。该分类器通过对标称型和字符串型属性的距离的加权定义。以及增加属性值的范围约束,扩大了最小标准化欧式距离分类器的适用范围,同时提高了其分类准确率。实验结果表明,加权最小距离分类器具有较高的分类准确率。     

加权决策模板业务感知算法

针对决策模板法在业务感知准确率上的局限性问题,提出了加权决策模板法。该方法首先利用有监督的神经网络模糊聚类分类器作为基本分类器,再通过混淆矩阵衡量分类器对样本不同类别的置信度,经过两级的性能权衡,赋予该算法更高的可信度。在训练阶段根据错误分类的样本构造一个附加的加权决策模板,若在测试阶段有样本离该模板的距离最近时,可以认为该样本被错误分类的可能性很大,从而保证该算法具有高识别准确率。实验结果表明,与决策模板法对比,加权决策模板法在业务感知上具有更高的准确性。     

基于步行加速度信息分割的人员识别

为提高基于智能手机内置加速度传感器的人员识别率,提出了一种基于信息分割的组合分类器识别方法。根据人员步行加速度变化特点提出了基于HMM（隐马尔可夫模型）的划分方法,将人员步行加速度划分成相对动态与稳态两个部分,分别从两个区域提取标准差、均值、能量等特征;根据不同步行速率选择这些特征和峰值点连线斜率组合成新的特征集合;最后,采用组合分类器的方法获得了更加理想的识别精度。实验结果表明,在人员慢步行走的姿态下的识别率达到了98.3%,快速步行达到了97.6%。较现有人员识别方法有较大的提高。     

Data fusion and multiple classifier systems for human activity detection and health monitoring: Review and open research directions

Activity detection and classification using different sensor modalities have emerged as revolutionary technology for real-time and autonomous monitoring in behaviour analysis, ambient assisted living, activity of daily living (ADL), elderly care, rehabilitations, entertainments and surveillance in smart home environments. Wearable devices, smart-phones and ambient environments devices are equipped with variety of sensors such as accelerometers, gyroscopes, magnetometer, heart rate, pressure and wearable camera for activity detection and monitoring. These sensors are pre-processed and different feature sets such as time domain, frequency domain, wavelet transform are extracted and transform using machine learning algorithm for human activity classification and monitoring. Recently, deep learning algorithms for automatic feature representation have also been proposed to lessen the burden of reliance on handcrafted features and to increase performance accuracy. Initially, one set of sensor data, features or classifiers were used for activity recognition applications. However, there are new trends on the implementation of fusion strategies to combine sensors data, features and classifiers to provide diversity, offer higher generalization, and tackle challenging issues. For instances, combination of inertial sensors provide mechanism to differentiate activity of similar patterns and accurate posture identification while other multimodal sensor data are used for energy expenditure estimations, object localizations in smart homes and health status monitoring. Hence, the focus of this review is to provide in-depth and comprehensive analysis of data fusion and multiple classifier systems techniques for human activity recognition with emphasis on mobile and wearable devices. First, data fusion methods and modalities were presented and also feature fusion, including deep learning fusion for human activity recognition were critically analysed, and their applications, strengths and issues were identified. Furthermore, the review presents different multiple classifier system design and fusion methods that were recently proposed in literature. Finally, open research problems that require further research and improvements are identified and discussed.     

老年人动作识别系统研究

为进一步提高老年人日常动作识别系统的准确率,提出一种基于柔性传感器的老年人动作识别方案。通过柔性传感器与三维重力加速度传感器相结合,形成了老年人动作时序数据采集、处理和识别方法,根据人体动作时序波形特征,采用基于快速傅里叶变换的自动切割算法替代传统人工干预的数据预处理和特征提取方式;利用Stacking集成学习技术,将随机森林和朴素贝叶斯作为基分类器,以逻辑回归算法作为次级分类器生成分类模型。与以往依赖单一三维重力加速度传感器以及单一强分类模型进行数据采集和分析的传统技术相比,提出的方法在识别准确率有显著提升,并在临床应用中得到检验。实验结果表明,基于柔性传感器和集成学习的老年人动作识别技术在同时识别多种类型动作时能达到90%以上的准确率。     

多层分类器模型的相似人体活动识别

针对基于单传感器活动识别中相似活动易混淆的问题,本文提出了一种基于广义判别分析的多层分类器融合的相似人体活动识别算法.首先提取基于单加速度计的多类活动数据的时域特征、频域特征以及时频特征,对不同特征进行特征分析与重要性评估以确定有效的特征维度.使用随机森林(RF,Random forest)算法对活动特征进行第1层分类,然后根据分类混淆矩阵分析相似活动,由广义判别分析算法提取相似人体活动的映射特征,使用支持向量机(SVM,Support vector machine)算法对相似活动进行第2层分类,最后将相似活动的双层分类器识别概率加权融合得到最终识别结果.为了验证该识别算法,在公开的数据集SCUT-NAA上执行,识别算法对相似活动识别的正确率达到97.2%,提高了基于该数据集研究的正确率.     

一种基于特征增强和决策融合的人体行为识别方法

利用三轴加速度传感器进行人体行为识别一直是传感器数据处理、模式识别领域的研究热点。加速度数据往往存在着多种动作数据难以区分的情况,特别是走、上楼、下楼这3个动作数据非常相似,这给正确识别这3种人体动作带来了较大的难度。提出一种基于特征增强与决策融合的行为识别方法,通过对部分特征值进行增强处理和对多个分类结果进行决策融合来识别走、上楼、下楼这些难以区分的相似动作。实验验证,所提方法可克服由于加速度数据的相似性而导致的动作识别正确率低、识别误差大的情况,有效提高人体行为识别率,且可在实际应用中实时识别人体行为动作。     

基于智能手机传感器的基础行为识别方法研究

为提高人类行为识别准确性的同时降低实现过程的复杂程度,提出基于智能手机加速度传感器与陀螺仪数据对六种日常基础行为进行识别的方法。在分析传感器框架的基础上,对加速度传感器进行数据采集并对原始数据进行数据预处理,然后采用主成分分析方法结合已有知识对数据统计特征进行降低维数处理,再利用机器学习算法实现对行为特征的分类与识别,目的是简化基础行为的识别过程并提高数据的利用率。实验测试结果验证了决策树与支持向量机分类器结合使用的有效性,识别准确率可接近97%。     

基于卷积长短时记忆网络的人体行为识别研究

人体行为识别利用深度学习网络模型自动提取数据的深层特征,但传统机器学习算法存在依赖手工特征提取、模型泛化能力差等问题。提出基于空时特征融合的深度学习模型（CLT-net）用于人体行为识别。采用卷积神经网络（CNN）自动提取人体行为数据的深层次隐含特征,利用长短时记忆（LSTM）网络构建时间序列模型,学习人体行为特征在时间序列上的长期依赖关系。在此基础上,通过softmax分类器实现对不同人体行为分类。在DaLiAc数据集的实验结果表明,相比CNN、LSTM、BP模型,CLT-net模型对13种人体行为的总体识别率达到了97.6%,具有较优的人体行为识别分类性能。     

基于机器学习的无人船目标识别系统研究

针对无人船装置在复杂视域环境下的目标识别准确率低、运算率高等不足,提出了采用OpenCV视觉处理框架,建立基于机器学习的无人船目标识别系统。利用HAAR级联分类器训练算法建立了目标物的机器学习库,通过多组训练目标物对比实验,分析出最大识别率和最小虚警率的关系,及正负样本尺寸和比例对训练时间和精确度的影响,得出参数值的最适设定范围。还通过水面的镜面效应,采用相位相关性法水岸线识别算法,准确地识别出水岸线,提高了水中目标物的识别效率。     

用块稀疏贝叶斯学习算法重构识别体域网步态模式

针对低功耗体域网步态远程监测终端非稀疏加速度数据重构和步态模式识别性能优化问题,提出了一种基于块稀疏贝叶斯学习的体域网远程步态模式重构识别新方法,该方法基于体域网远程步态监测系统架构和压缩感知框架,在体域网传感节点利用线性稀疏矩阵压缩原始加速度数据,减少传输数据量,降低其功耗,同时在远程终端基于块稀疏贝叶斯学习算法充分利用加速度数据块结构内在相关性,获取加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能,为准确识别步态模式提供可靠的数据支撑.采用USC-HAD数据库中行走、跑、跳、上楼、下楼五种步态运动的加速度数据验证新方法的有效性,实验结果表明,基于所提算法的加速度数据重构性能明显优于传统压缩感知重构算法性能,使基于支持向量机多步态分类器识别准确率可达98%,显著提高体域网远程步态模式识别性能.所提新方法不仅有效提高非稀疏加速度数据重构和步态模式识别性能,并且也有助于设计低功耗、低成本的体域网加速度数据采集系统,为体域网远程监测步态模式变化提供一个新方法和新思路.