一種基于融合稀疏表示矩陣的人體動(dòng)作識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種人體動(dòng)作識(shí)別方法，特別涉及一種基于融合稀疏表示矩陣的人體 動(dòng)作識(shí)別方法。
【背景技術(shù)】
[0002] 無(wú)線(xiàn)體域網(wǎng)（Wireless Body Area Network, WBAN)是一種以人體為中心的短距離 無(wú)線(xiàn)通信網(wǎng)絡(luò)。通過(guò)在人體上佩戴功能不同的傳感器，WBAN成為個(gè)人生理信息采集與傳輸 的重要技術(shù)手段之一，在人們的日常生活監(jiān)測(cè)、病人監(jiān)護(hù)、運(yùn)動(dòng)員康復(fù)輔助訓(xùn)練等發(fā)面得到 廣泛應(yīng)用，其中，基于WBAN中佩戴的慣性傳感器的人體動(dòng)作識(shí)別成為當(dāng)前的研究熱點(diǎn)。目 前常用的人體動(dòng)作識(shí)別方法主要有決策樹(shù)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、多級(jí)分層法、稀疏 表示分類(lèi)法等等。目前，對(duì)信息融合這門(mén)技術(shù)研究已經(jīng)有了很大的突破，但是目前仍然沒(méi)有 一個(gè)被廣泛認(rèn)可的關(guān)于信息融合的定義，根據(jù)各種不同的定義，我們可以理解為信息融合 實(shí)質(zhì)就是充分利用多個(gè)傳感器或多特征屬性的感知數(shù)據(jù)，以一定的規(guī)則合理的使用和支配 這些感知數(shù)據(jù)，綜合多方位的不完整的局部環(huán)境信息，消除信息間可能存在的矛盾，得到對(duì) 感知對(duì)象的描述或解釋?？梢?jiàn)，信息融合過(guò)程本質(zhì)上是一個(gè)信息處理的過(guò)程，其處理的方式 有數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合。信息融合的核心是對(duì)傳感器數(shù)據(jù)的協(xié)調(diào)優(yōu)化和 綜合處理，將信息融合技術(shù)應(yīng)用到人體動(dòng)作識(shí)別中，可以有效地減少多個(gè)慣性傳感器數(shù)據(jù) 之間的冗余信息，最優(yōu)化協(xié)同信息和互補(bǔ)信息，有利于人體動(dòng)作識(shí)別率的提升。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于提供一種基于融合稀疏表示矩陣的人體動(dòng)作識(shí)別方法。
[0004] 為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下的技術(shù)方案：
[0005] -種基于融合稀疏表示矩陣的人體動(dòng)作識(shí)別方法，包括以下步驟：
[0006] 步驟1 :選擇K個(gè)測(cè)試對(duì)象，所述各測(cè)試對(duì)象分別佩戴L個(gè)傳感器，所述各傳感器 采集的信號(hào)種類(lèi)相同，均包括加速度信號(hào)和陀螺儀信號(hào)，所述各測(cè)試對(duì)象所做不同動(dòng)作種 類(lèi)數(shù)目均為T(mén)，所述各測(cè)試對(duì)象對(duì)所述各種動(dòng)作的重復(fù)次數(shù)均為N，所述各傳感器對(duì)各種動(dòng) 作的各次重復(fù)均進(jìn)行h次采樣，生成各測(cè)試對(duì)象的動(dòng)作矩陣H pe R uxw，p = 1，2,…，K :
[0007] Hp= [HPi1,HPi2,...,HPiT] e Ruxw (1)
[0008] 其中，U = 5hL，W = NT，第P個(gè)人第q種動(dòng)作的動(dòng)作子矩陣Hpiq為：
[0009] Hp，q= [Vm，!，Vp，q，2，…，Vp，q， N] e RUXN ⑵
[0010] 其中第P個(gè)人第η次第q種動(dòng)作的動(dòng)作向量\^為：
[0012] 其中，第p個(gè)人第η次第q種動(dòng)作第j個(gè)傳感器對(duì)應(yīng)的動(dòng)作子向量β j，j = 1，2,…，L 為： _3] βρ，…=(ap，…（l)T，a，⑵丁，…，ajQOVe R5h (4)
[0014] 其中，第p個(gè)人第η次第q種動(dòng)作第j個(gè)傳感器在t時(shí)刻采集的傳感器向量 ap，q，n，j (t)為： _5] aPiqinij(t) = (xp, q, n, j (t), yPiq, n, j (t), zPiq, n, j (t), 0pqni ^t), Ppiqinij (t))Te R5 (5)
[0016] 其中Xp^^t),又^^⑴，zp,q,n,.j(t)為第p個(gè)人第n次做第q種動(dòng)作的第j個(gè)傳 感器在t時(shí)刻采集到的X、Y和Z方向的加速度信號(hào)，Θ p q ni Jt)，Pp^ Jt)為第p個(gè)人第 η次做第q種動(dòng)作的第j個(gè)傳感器在t時(shí)刻采集到的兩軸陀螺儀X、Y方向的角速度信號(hào)；
[0017] 步驟2 :由所述各測(cè)試對(duì)象做所述各種動(dòng)作的動(dòng)作子矩陣Hpiq生成過(guò)完備字典矩 陣A :
[0018] A= [Hlil, H2il，…，HK，" Hli2, H2,2，."，Hk,2，…，H1J, H2，T，…，HK，T] e R_ (6)
[0019] 其中，Q = NTK;
[0020] 步驟3 :根據(jù)所述過(guò)完備字典矩陣A，利用二次約束下極小化LI范數(shù)的方法生成與 所述各測(cè)試對(duì)象的動(dòng)作矩陣Hpe Ruxw，p = 1，2,…，K對(duì)應(yīng)的各測(cè)試對(duì)象的稀疏表示矩陣 BpG RQXW，p = 1，2, ...，K ;
[0021] 步驟4 :將所述各測(cè)試對(duì)象的稀疏表示矩陣Bp e RtjxwJ = 1，2,…，Κ，由循環(huán)最大 化Ll范數(shù)法提取出各測(cè)試對(duì)象的第一融合稀疏表示矩陣Cpe RQXT，P = 1，2,…，K ;所述第 一融合稀疏表示矩陣Cpe Rqxt的列向量數(shù)目與所述動(dòng)作種類(lèi)數(shù)目T相同；
[0022] 步驟5:將所述各測(cè)試對(duì)象的第一融合稀疏表示矩陣Cpe RQXT，P= 1，2,…，K通 過(guò)循環(huán)最大化Ll范數(shù)法得到所述第二融合稀疏表示矩陣F e Rqxt，所述第二融合稀疏表示 矩陣F e Rqxt的列向量為f q，q = 1，2,…，T分別與所述各種動(dòng)作對(duì)應(yīng)；
[0023] 步驟6 :進(jìn)行人體動(dòng)作識(shí)別：計(jì)算待識(shí)別動(dòng)作向量γ test與所述第二融合稀疏表示 矩陣F中各列向量的線(xiàn)性加權(quán)差值，選擇線(xiàn)性加權(quán)差值最小的列向量所對(duì)應(yīng)的動(dòng)作種類(lèi) 為最終的識(shí)別結(jié)果。
[0024] 所述各測(cè)試對(duì)象分別佩戴5個(gè)傳感器，所述各傳感器采集的信號(hào)種類(lèi)相同，均包 括加速度信號(hào)和陀螺儀信號(hào)，所述各測(cè)試對(duì)象均做13種不同動(dòng)作，每種動(dòng)作做5次。
[0025] 所述步驟3中所述的用二次約束下極小化Ll范數(shù)的方法由以下步驟組成：
[0026] 步驟3-1 :求解所述第p個(gè)測(cè)試對(duì)象的動(dòng)作矩陣Hpe Ruxw，p = 1，2,…，K的各列 向量對(duì)應(yīng)的稀疏表示向量5^/.?，η = 1，2,…，N。：
[0028] 其中ε為觀測(cè)噪聲。
[0029] 步驟3-2 :將所述第ρ個(gè)測(cè)試對(duì)象的動(dòng)作矩陣Hpe R uxw，ρ = 1，2,…，K的各列向 量對(duì)應(yīng)的稀疏表示向量構(gòu)成的稀疏表示矩陣Bp，p = 1，2,…，K :
[0031] 所述步驟4由以下具體步驟組成：
[0032] 步驟4-1 :將所述各測(cè)試對(duì)象的稀疏表示矩陣Bp，p = 1，2,…，K按列順序平均分 為與所述動(dòng)作種類(lèi)數(shù)目T相同的第一至第T稀疏向量組，每組N個(gè)向量：
[0034] 步驟4-2 :求所述各稀疏向量組的最優(yōu)列向量：令
[0035] 步驟4-3 :將所述各稀疏向量組的最優(yōu)列向量
1，2,…，N按順序組成第二融合稀疏輸出矩陣Cp= [cT \ dp'2,…，dp'T] e Rtjx^p = 1，2,…，K。
[0036] 所述步驟5由以下具體步驟組成：
[0037] 步驟5-1 :將所述各測(cè)試對(duì)象的第一融合稀疏表示矩陣Cpe Μχτ，ρ = 1，2,…，K按 列順序平均分為與所述動(dòng)作種類(lèi)數(shù)目T相同的第Τ+1至第2Τ稀疏向量組，每組K個(gè)向量：
[0038] (d1'1，d2'1，…，cf'1)，（d 1'2,d2'2,…，dK' 2)，…，（d1''d2'T，…，dK' T);
[0039] 步驟5-2 :求所述第T+l至第2T稀疏向量組的最優(yōu)列向量：令A(yù)q，p= I |cTp| I1,
[0040] 步驟5-3 :將所述第T+1至第2T稀疏向量組的最優(yōu)列向量按順序組成所述第二融 合稀疏表示矩陣F = [4 f2,…，fT] e Rqxt。
[0041] 所述步驟6中所述線(xiàn)性加權(quán)的差值rq (Ytest)的計(jì)算方法為：
[0042] rq ( γ test) = I I γ test-fq I 12, q = 1，2,…，T (9)
[0043] 本發(fā)明的有益效果在于：
[0044] 本發(fā)明利用大量不同的人體動(dòng)作數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)兩次不同的融合方法，首先 減小了訓(xùn)練過(guò)程中同一對(duì)象得到的稀疏表示矩陣的誤差，然后減少了不同對(duì)象間的差異， 減少了冗余信息，融合分類(lèi)過(guò)程中的有效信息，使互補(bǔ)信息和協(xié)同信息得到最優(yōu)化，提高人 體動(dòng)作識(shí)別的準(zhǔn)確率。
【附圖說(shuō)明】
[0045] 圖1為本發(fā)明的流程圖。
【具體實(shí)施方式】
[0046] 為了更好地理解本發(fā)明的技術(shù)方案，結(jié)合附圖，以下將對(duì)本發(fā)明一種基于融合稀 疏表示矩陣的人體動(dòng)作識(shí)別方法作進(jìn)一步的詳細(xì)描述，系統(tǒng)框圖如圖1所示，具體實(shí)施步 驟如下：
[0047] -種基于融合稀疏表示矩陣的人體動(dòng)作識(shí)別方法，包括以下步驟：
[0048] 步驟1 :選擇K個(gè)測(cè)試對(duì)象，所述各測(cè)試對(duì)象分別佩戴L個(gè)傳感器，所述各傳感器 采集的信號(hào)種類(lèi)相同，均包括加速度信號(hào)和陀螺儀信號(hào)，所述各測(cè)試對(duì)象所做不同動(dòng)作種 類(lèi)數(shù)目均為T(mén)，所述各測(cè)試對(duì)象對(duì)所述各種動(dòng)作的重復(fù)次數(shù)均為N，所述各傳感器對(duì)各種動(dòng) 作的各次重復(fù)均進(jìn)行h次采樣，生成各測(cè)試對(duì)象的動(dòng)作矩陣H pe R uxw，p = 1，2,…，K :
[0049] Hp= [HPi1,HPi2,...,HPiT] e Ruxw (I)
[0050] 其中，U = 5hL，W = NT，第p個(gè)人第q種動(dòng)作的動(dòng)作子矩陣Hpiq為：
[0051] Hftq= [vPiqil, vPiqi2,vPiq,N] GRuxn (2)
[0052] 其中第p個(gè)人第n次第q種動(dòng)作的動(dòng)作向量VpiqinS :
α·)
[0054] 其中，第ρ個(gè)人第η次第q種動(dòng)作第j個(gè)傳感器對(duì)應(yīng)的動(dòng)作子向量i3Piqini j，j = 1，2,…，L 為：
[0055](4)
[0056] 其中，第p個(gè)人第η次第q種動(dòng)作第j個(gè)傳感器在t時(shí)刻采集的傳感器向量 ap，q，n，j (t)為：
[0057] aPiqinij(t) = (xp,q,n,J(t),yPiqinij(t),z Piqinij(t), 0piqnij(t), pPiqinij(t))Te R5 (5)
[0058] 其中Xp^^t),又^^⑴，zp,q,n,.j(t)為第p個(gè)人第n次做第q種動(dòng)作的第j個(gè)傳 感器在t時(shí)刻采集到的X、Y和Z方向的加速度信號(hào)，Θ p q ni Jt)，Pp^ Jt)為第p個(gè)人第 η次做第q種動(dòng)作的第j個(gè)傳感器在t時(shí)刻采集到的兩軸陀螺儀X、Y方向的