论文部分内容阅读
人类行为识别是模式识别领域的研究热点,目前有基于视频数据和基于智能手机传感器数据两种研究方向。随着时代的快速发展,智能手机的普及化以及嵌入在智能手机中的传感器的多样化,使得运用智能手机传感器数据进行人类行为识别研究更加有实际意义。本文主要针对人类行为识别中出现的分类结果精度不准确,实验特征数据量大,分类效果不佳等问题,在真实数据的基础上,提出了基于多阶层连续隐马尔科夫模型的人类行为识别和基于稀疏局部保持投影结合随机森林集成分类器(Sparse Locality Preserving Projections and Random Forest,SpLPP-RF)的人类行为识别两种创新性算法,有效的解决了目前行为识别研究中遇到的困难。本文主要研究成果如下所示:(1)传统的连续隐马尔科夫模型在进行行为识别时,最终的行为识别准确率相对较低。基于人类活动的层次特点与传感器数据的时序性、多元性与连续性,本文提出了三阶层连续隐马尔科夫模型(Three-Stage Continuous Hidden Markov Model,TSCHMM)的人类行为识别新算法。实验结果表明所提出的算法不仅可以明显判别出活动的误分类别,而且解决了识别率低的问题,尤其是提高了易混淆活动的分类准确率。(2)首次将稀疏局部保持投影算法应用于连续隐马尔科夫模型的人类行为识别中。稀疏局部保持投影(Sparse Locality Preserving Projections,SpLPP)优化保留了邻域结构的数据集,并且相比于局部保持投影算法,可以从传感器数据中提取出更多有代表性的活动行为特征变量。以SpLPP作为降维方法的实验结果表明新算法效果明显。(3)由于集成分类器一般情况下分类效果优于单一分类器,所以已有一些研究采用随机森林(RandomForest,RF)分类器应用于智能手机传感器数据的人类行为识别上。但他们的方法没有充分利用较前沿的降维技术。因此,本文提出了用SpLPP进行降维,有效的解决了人类行为识别研究中的特征数量多的问题,降低了实验的时间复杂度,行为识别的总体识别率得到了显著的提高。同时,也比较了 SpLPP-RF和TSCHMM这两种算法,阐述了两种算法在性能上的差异与适用情况。