CN105447467A - 一种用户行为模式的识别系统和识别方法 - Google Patents
一种用户行为模式的识别系统和识别方法 Download PDFInfo
- Publication number
- CN105447467A CN105447467A CN201510864756.5A CN201510864756A CN105447467A CN 105447467 A CN105447467 A CN 105447467A CN 201510864756 A CN201510864756 A CN 201510864756A CN 105447467 A CN105447467 A CN 105447467A
- Authority
- CN
- China
- Prior art keywords
- parameter
- characteristic vector
- dimensional characteristic
- axis
- angular velocity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种用户行为模式的识别系统和识别方法，该识别系统包括：采集单元，用于采集用户当前的行为特征数据，所述行为特征数据包括N个描述参数对应的N个参数值，N为大于等于2的整数；特征向量生成单元，用于根据所述N个参数值，生成一维特征向量；对比投票单元，用于对比所述一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票；模式识别单元，用于统计在预设时间段内的投票结果，将所述用户当前的行为模式识别为获得投票最多的行为模式。通过本发明，扩大了行为模式识别技术的应用范围，继而能够向用户提供便捷的服务。
Description
技术领域
本发明涉及电子技术领域，尤其涉及一种用户行为模式的识别系统和识别方法。
背景技术
行为模式识别技术在随身运动检测、智能家居、互动式体感游戏、移动式健康看护等方面拥有广泛的应用前景，现有技术中多采用基于计算机视觉的行为感知技术，但存在观察范围有限、受光照条件影响较大、易被遮挡的缺陷，受限较大，应用范围较窄。
因此，现有技术中行为模式识别技术存在应用范围窄的技术问题。
发明内容
本发明实施例通过提供一种用户行为模式的识别系统和识别方法，用以解决现有技术中行为模式识别技术存在的应用范围窄的技术问题。
本发明实施例一方面提供了一种用户行为模式的识别系统，包括：
采集单元，用于采集用户当前的行为特征数据，所述行为特征数据包括N个描述参数对应的N个参数值，N为大于等于2的整数；
特征向量生成单元，用于根据所述N个参数值，生成一维特征向量；
对比投票单元，用于对比所述一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票；
模式识别单元，用于统计在预设时间段内的投票结果，将所述用户当前的行为模式识别为获得投票最多的行为模式。
可选地，所述采集单元包括：三轴加速度传感器、三轴陀螺仪和GPS定位仪。
可选地，所述特征向量生成单元具体用于：
将通过所述三轴加速度传感器采集的X轴加速度在时间窗内的数据的标准差作为所述一维特征向量的第一个参数；
将通过所述三轴加速度传感器采集的Y轴加速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第二个参数；
将通过所述三轴加速度传感器采集的Z轴加速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第三个参数；
将通过所述三轴陀螺仪采集的X轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第四个参数；
将通过所述三轴陀螺仪采集的Y轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第五个参数；
将通过所述三轴陀螺仪采集的Z轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第六个参数；
将通过所述GPS定位仪采集的经度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第七个参数；
将通过所述GPS定位仪采集的纬度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第八个参数；
将通过所述三轴加速度传感器采集的所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取标准差作为所述一维特征向量的第九个参数；
将通过所述三轴陀螺仪采集的所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取标准差作为所述一维特征向量的第十个参数；
将通过所述三轴加速度传感器采集的所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十一个参数；
将通过所述三轴加速度传感器采集的所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取最小值作为所述一维特征向量的第十二个参数；
将通过所述三轴陀螺仪采集的所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十三个参数；
将通过所述三轴陀螺仪采集的所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十四个参数；
将通过所述GPS定位仪采集的所述GPS速度参数在所述时间窗内的数据的最大值作为所述一维特征向量的第十五个参数；
将通过所述GPS定位仪采集的所述GPS速度参数在所述时间窗内的数据的最小值作为所述一维特征向量的第十六个参数；
将通过所述GPS定位仪采集的所述GPS速度参数在所述时间窗内的数据的最小值作为所述一维特征向量的第十七个参数。
可选地，所述预设的M种行为模式包括：静止、走路、骑自行车、开车、乘坐地铁、乘坐轻轨、乘坐公交车、使用健身自行车和室内轨道车。
本发明实施例第二方面提供了一种用户行为模式的识别方法，包括：
采集用户当前的行为特征数据，所述行为特征数据包括N个描述参数对应的N个参数值，N为大于等于2的整数；
根据所述N个参数值，生成一维特征向量；
对比所述一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票；
统计在预设时间段内的投票结果，将所述用户当前的行为模式识别为获得投票最多的行为模式。
可选地，所述N个描述参数包括：
X轴加速度参数、Y轴加速度参数、Z轴加速度参数、X轴角速度参数、Y轴角速度参数、Z轴角速度参数、经度参数、纬度参数和GPS速度参数。
可选地，所述根据所述N个参数值，生成一维特征向量，具体包括：
将所述X轴加速度在时间窗内的数据的标准差作为所述一维特征向量的第一个参数；
将所述Y轴加速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第二个参数；
将所述Z轴加速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第三个参数；
将所述X轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第四个参数；
将所述Y轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第五个参数；
将所述Z轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第六个参数；
将所述经度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第七个参数；
将所述纬度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第八个参数；
将所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取标准差作为所述一维特征向量的第九个参数；
将所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取标准差作为所述一维特征向量的第十个参数；
将所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十一个参数；
将所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取最小值作为所述一维特征向量的第十二个参数；
将所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十三个参数；
将所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十四个参数；
将所述GPS速度参数在所述时间窗内的数据的最大值作为所述一维特征向量的第十五个参数；
将所述GPS速度参数在所述时间窗内的数据的最小值作为所述一维特征向量的第十六个参数；
将所述GPS速度参数在所述时间窗内的数据的最小值作为所述一维特征向量的第十七个参数。
可选地，所述预设的M种行为模式包括：静止、走路、骑自行车、开车、乘坐地铁、乘坐轻轨、乘坐公交车、使用健身自行车和室内轨道车。
本发明实施例中的一个或者多个技术方案，至少具有如下技术效果或者优点：
由于采用了通过采集单元采集用户当前的行为特征数据，并通过特征向量生成单元根据行为特征数据包括的N个描述参数对应的N个参数值生成一维特征向量，并通过对比投票单元对比一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票，最后通过模式识别单元统计在预设时间段内的投票结果，将用户当前的行为模式识别为获得投票最多的行为模式的技术方案，避免了现有技术中采用基于计算机视觉的行为感知技术存在的观察范围有限、受光照条件影响较大、易被遮挡的缺陷，从而扩大了行为模式识别技术的应用范围，继而能够向用户提供便捷的服务。
附图说明
图1为本发明实施例提供的用户行为模式的识别系统的模块图；
图2为本发明实施例提供的用户行为模式的识别方法的流程图。
具体实施方式
本发明实施例通过提供一种用户行为模式的识别系统和识别方法，用以解决现有技术中行为模式识别技术存在的应用范围窄的技术问题。
本发明实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例提供一种用户行为模式的识别系统，包括：
采集单元，用于采集用户当前的行为特征数据，行为特征数据包括N个描述参数对应的N个参数值，N为大于等于2的整数；在本实施例中，用户当前的行为特征数据可以通过X轴加速度参数、Y轴加速度参数、Z轴加速度参数、X轴角速度参数、Y轴角速度参数、Z轴角速度参数、经度参数、纬度参数和GPS速度参数来进行描述；
特征向量生成单元，用于根据N个参数值，生成一维特征向量；例如，在本实施例中，可以根据上述九种参数，生成一个一维、十七列的特征向量；
对比投票单元，用于对比一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票；例如，预设的M种行为模式可以是包括静止、行走和乘车等行为模式，每种行为模式同样通过上述N个描述参数进行描述，当然，每种行为模式包括N个描述参数对应的参数值不同，这样，将上述描述用户当前的行为特征数据的N个参数值生成的一维特征向量依次与M种行为模式中每种行为模式对应的特征向量进行对比，并且向差异最小的特征向量对应的行为模式投票；
模式识别单元，用于统计在预设时间段内的投票结果，将用户当前的行为模式识别为获得投票最多的行为模式；例如，通过对投票的结果的统计，在预设时间段内的投票结果对行走模式进行投票的结果最多，则将用户当前的行为模式识别为行走模式。
通过上述技术方案可以看出，由于采用了通过采集单元采集用户当前的行为特征数据，并通过特征向量生成单元根据行为特征数据包括的N个描述参数对应的N个参数值生成一维特征向量，并通过对比投票单元对比一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票，最后通过模式识别单元统计在预设时间段内的投票结果，将用户当前的行为模式识别为获得投票最多的行为模式的技术方案，避免了现有技术中采用基于计算机视觉的行为感知技术存在的观察范围有限、受光照条件影响较大、易被遮挡的缺陷，从而扩大了行为模式识别技术的应用范围，继而能够向用户提供便捷的服务。
在接下来的部分中，将结合附图，详细介绍上述技术方案。
本发明实施例一方面提供了一种用户行为模式的识别系统，请参考图1,图1为本发明实施例提供的用户行为模式的识别系统的模块图，如图1所示，该识别系统包括：
采集单元101，用于采集用户当前的行为特征数据，行为特征数据包括N个描述参数对应的N个参数值，N为大于等于2的整数；在本实施例中，采集单元101包括：三轴加速度传感器、三轴陀螺仪和GPS定位仪；例如，通过三轴加速度传感器可以获得X轴加速度参数、Y轴加速度参数、Z轴加速度参数，通过三轴陀螺仪可以获得X轴角速度参数、Y轴角速度参数、Z轴角速度参数，通过GPS定位仪可以获得经度参数、纬度参数和GPS速度参数。
当然，在其他实施例中，通过本实施例的介绍，本领域所属的技术人员能够根据实际情况，选择其他合适的参数来描述用户的行为模式，在此就不再赘述了。
在具体实施过程中，采集单元101可以通过智能手机、平板电脑或智能手表等便携设备来实现，智能手机、平板电脑或智能手表等便携设备上能够方便地集成上述三轴加速度传感器、三轴陀螺仪和GPS定位仪以及其他需要的仪器，在此就不再赘述了。
特征向量生成单元102，用于根据N个参数值，生成一维特征向量；在本实施例中，特征向量生成单元102生成一维特征向量的过程具体如下：
将通过三轴加速度传感器采集的X轴加速度在时间窗内的数据的标准差作为一维特征向量的第一个参数；在实际应用中，时间窗的具体数值可以由本领域所属的技术人员根据采集单元101内各个仪器的性能、采集单元101的采样频率等实际情况来确定，例如时间窗可以设定为2s、3s等等，在此不做限制；将通过三轴加速度传感器采集的Y轴加速度参数在时间窗内的数据的标准差作为一维特征向量的第二个参数；将通过三轴加速度传感器采集的Z轴加速度参数在时间窗内的数据的标准差作为一维特征向量的第三个参数；将通过三轴陀螺仪采集的X轴角速度参数在时间窗内的数据的标准差作为一维特征向量的第四个参数；将通过三轴陀螺仪采集的Y轴角速度参数在时间窗内的数据的标准差作为一维特征向量的第五个参数；将通过三轴陀螺仪采集的Z轴角速度参数在时间窗内的数据的标准差作为一维特征向量的第六个参数；将通过GPS定位仪采集的经度参数在时间窗内的数据的标准差作为一维特征向量的第七个参数；将通过GPS定位仪采集的纬度参数在时间窗内的数据的标准差作为一维特征向量的第八个参数；将通过三轴加速度传感器采集的X轴加速度参数、Y轴加速度参数和Z轴加速度参数求平方和后开方，提取标准差作为一维特征向量的第九个参数；将通过三轴陀螺仪采集的X轴角速度参数、Y轴角速度参数和Z轴角速度参数求平方和后开方，提取标准差作为一维特征向量的第十个参数；将通过三轴加速度传感器采集的X轴加速度参数、Y轴加速度参数和Z轴加速度参数求平方和后开方，提取最大值作为一维特征向量的第十一个参数；将通过三轴加速度传感器采集的X轴加速度参数、Y轴加速度参数和Z轴加速度参数求平方和后开方，提取最小值作为一维特征向量的第十二个参数；将通过三轴陀螺仪采集的X轴角速度参数、Y轴角速度参数和Z轴角速度参数求平方和后开方，提取最大值作为一维特征向量的第十三个参数；将通过三轴陀螺仪采集的X轴角速度参数、Y轴角速度参数和Z轴角速度参数求平方和后开方，提取最大值作为一维特征向量的第十四个参数；将通过GPS定位仪采集的GPS速度参数在时间窗内的数据的最大值作为一维特征向量的第十五个参数；将通过GPS定位仪采集的GPS速度参数在时间窗内的数据的最小值作为一维特征向量的第十六个参数；将通过GPS定位仪采集的GPS速度参数在时间窗内的数据的最小值作为一维特征向量的第十七个参数；通过本发明实施例提供的一维特征向量中的在X、Y、Z三个轴上的加速度参数、角速度参数以及经度参数、纬度参数和GPS速度参数，以及从这些参数中提取出的具有统计特征和数学特征的参数，保证了能够快速而准确地描述用户当前的行为模式；
对比投票单元103，用于对比一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票；
在本实施例中，预设的M种行为模式包括：静止、走路、骑自行车、开车、乘坐地铁、乘坐轻轨、乘坐公交车、使用健身自行车和室内轨道车，其中，描述“静止”这一行为模式对应的特征向量如下：
①0.0107891660340517、②0.0219054325624803、③0.00103205502831538④0.000999962332653715、⑤0.00101864925942177、⑥0.350502355635819、⑦0、⑧0、⑨0.0219030615192033、⑩0.350502355645095、10.0725644408419、9.94292030218539、349.160778042476、347.940795951771、0.0167186665987852、0.0165043987358123、0.0166144123551697；
描述“走路”这一行为模式对应的特征向量如下：
①2.76968563464941、②3.75594383814152、③4.43603336779754、④1.50897816729351、⑤1.69529604394169、⑥0.699968396929065、⑦6.36829925429080e-06、⑧4.61699656092107e-06、⑨4.21391639315796、⑩1.03170054747909、27.8566088131583、4.19617619591804、5.13253544741236、0.386939766425572、1.28851241090994、1.13829958446656、1.21387027062409。
描述“骑自行车”这一行为模式对应的特征向量如下：
①2.04347522180940、②3.31574408108740、③1.92043327964338、④0.900976387769044、⑤0.660825672968948、⑥0.704225524792572、⑦1.89247970823162e-05、⑧9.98093800952834e-06、⑨2.57001648737597、⑩0.553682831754784、19.1265052621360、4.24722498105132、2.89062405119092、0.238066344333439、2.17828287835260、1.69073823550535、1.96737285940216。
需要说明的是，上述的“静止”、“走路”和“骑自行车”这三种行为模式对应的特征向量的数值仅仅是举例，而不是用于限制本发明，其他行为模式如“开车”、“乘坐地铁”、“乘坐轻轨”、“乘坐公交车”、“使用健身自行车”和“室内轨道车”等对应的特征向量在此就不一一列举了，通过本实施例的介绍，本领域所属的技术人员能够根据实际情况，设置或者选择合适的数据作为其他行为模式对应的特征向量的数值，在此就不再赘述了。当然，在其他实施例中，本领域所属的技术人员还可以根据实际情况，增加或者减少一些行为模式，以满足实际情况的需要，在此就不再赘述了。
在将特征向量生成单元102生成的一维特征向量与与预设的M种行为模式中每种行为模式对应的特征向量进行对比之后，即可以向差异最小的特征向量对应的行为模式投票，在此就不再赘述了。
模式识别单元104，用于统计在预设时间段内的投票结果，将用户当前的行为模式识别为获得投票最多的行为模式；例如，在本实施例中，设定预设时间段为10s，若在10s内一维特征向量对“走路”行为模式的投票的票数最多，则可以将用户当前的行为模式识别为“走路”这一行为模式。
在识别出用户当前的行为模式以后，即可以将该结果作为随身运动检测、移动式监控看护等领域的监测数据，从而能够向用户提供便捷的服务。
通过上述技术方案可以看出，由于采用了通过采集单元采集用户当前的行为特征数据，并通过特征向量生成单元根据行为特征数据包括的N个描述参数对应的N个参数值生成一维特征向量，并通过对比投票单元对比一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票，最后通过模式识别单元统计在预设时间段内的投票结果，将用户当前的行为模式识别为获得投票最多的行为模式的技术方案，避免了现有技术中采用基于计算机视觉的行为感知技术存在的观察范围有限、受光照条件影响较大、易被遮挡的缺陷，从而扩大了行为模式识别技术的应用范围，继而能够向用户提供便捷的服务。
基于同一发明构思，本发明实施例还提供一种用户行为模式的识别方法，请参考图2，图2是本发明实施例提供的用户行为模式的识别方法的流程图，如图2所示，该识别方法包括：
S1：采集用户当前的行为特征数据，行为特征数据包括N个描述参数对应的N个参数值，N为大于等于2的整数；
S2：根据N个参数值，生成一维特征向量；
S3：对比一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票；
S4：基于向差异最小的特征向量对应的行为模式投票的结果，将用户当前的行为模式识别为获得投票最多的行为模式。
在具体实施过程中，N个描述参数包括：
X轴加速度参数、Y轴加速度参数、Z轴加速度参数、X轴角速度参数、Y轴角速度参数、Z轴角速度参数、经度参数、纬度参数和GPS速度参数。
在具体实施过程中，根据N个参数值，生成一维特征向量，具体包括：
将X轴加速度在时间窗内的数据的标准差作为一维特征向量的第一个参数；
将Y轴加速度参数在时间窗内的数据的标准差作为一维特征向量的第二个参数；
将Z轴加速度参数在时间窗内的数据的标准差作为一维特征向量的第三个参数；
将X轴角速度参数在时间窗内的数据的标准差作为一维特征向量的第四个参数；
将Y轴角速度参数在时间窗内的数据的标准差作为一维特征向量的第五个参数；
将Z轴角速度参数在时间窗内的数据的标准差作为一维特征向量的第六个参数；
将经度参数在时间窗内的数据的标准差作为一维特征向量的第七个参数；
将纬度参数在时间窗内的数据的标准差作为一维特征向量的第八个参数；
将X轴加速度参数、Y轴加速度参数和Z轴加速度参数求平方和后开方，提取标准差作为一维特征向量的第九个参数；
将X轴角速度参数、Y轴角速度参数和Z轴角速度参数求平方和后开方，提取标准差作为一维特征向量的第十个参数；
将X轴加速度参数、Y轴加速度参数和Z轴加速度参数求平方和后开方，提取最大值作为一维特征向量的第十一个参数；
将X轴加速度参数、Y轴加速度参数和Z轴加速度参数求平方和后开方，提取最小值作为一维特征向量的第十二个参数；
将X轴角速度参数、Y轴角速度参数和Z轴角速度参数求平方和后开方，提取最大值作为一维特征向量的第十三个参数；
将X轴角速度参数、Y轴角速度参数和Z轴角速度参数求平方和后开方，提取最大值作为一维特征向量的第十四个参数；
将GPS速度参数在时间窗内的数据的最大值作为一维特征向量的第十五个参数；
将GPS速度参数在时间窗内的数据的最小值作为一维特征向量的第十六个参数；
将GPS速度参数在时间窗内的数据的最小值作为一维特征向量的第十七个参数。
在具体实施过程中，预设的M种行为模式包括：静止、走路、骑自行车、开车、乘坐地铁、乘坐轻轨、乘坐公交车、使用健身自行车和室内轨道车。
本发明实施例提供的识别方法与前述介绍的识别系统为基于同一发明构思下的两个方面，在前述部分详细介绍了识别系统的组成以及运行过程之后，本发明所属领域的技术人员能够清楚的了解本发明实施例提供的识别方法的实施过程，在此为了说明书的简洁就不再赘述了。
本发明实施例中的一个或者多个技术方案，至少具有如下技术效果或者优点：
由于采用了通过采集单元采集用户当前的行为特征数据，并通过特征向量生成单元根据行为特征数据包括的N个描述参数对应的N个参数值生成一维特征向量，并通过对比投票单元对比一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票，最后通过模式识别单元统计在预设时间段内的投票结果，将用户当前的行为模式识别为获得投票最多的行为模式的技术方案，避免了现有技术中采用基于计算机视觉的行为感知技术存在的观察范围有限、受光照条件影响较大、易被遮挡的缺陷，从而扩大了行为模式识别技术的应用范围，继而能够向用户提供便捷的服务。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种用户行为模式的识别系统，其特征在于，包括：
采集单元，用于采集用户当前的行为特征数据，所述行为特征数据包括N个描述参数对应的N个参数值，N为大于等于2的整数；
特征向量生成单元，用于根据所述N个参数值，生成一维特征向量；
对比投票单元，用于对比所述一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票；
模式识别单元，用于统计在预设时间段内的投票结果，将所述用户当前的行为模式识别为获得投票最多的行为模式。
2.如权利要求1所述的识别系统，其特征在于，所述采集单元包括：三轴加速度传感器、三轴陀螺仪和GPS定位仪。
3.如权利要求2所述的识别系统，其特征在于，所述特征向量生成单元具体用于：
将通过所述三轴加速度传感器采集的X轴加速度在时间窗内的数据的标准差作为所述一维特征向量的第一个参数；
将通过所述三轴加速度传感器采集的Y轴加速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第二个参数；
将通过所述三轴加速度传感器采集的Z轴加速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第三个参数；
将通过所述三轴陀螺仪采集的X轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第四个参数；
将通过所述三轴陀螺仪采集的Y轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第五个参数；
将通过所述三轴陀螺仪采集的Z轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第六个参数；
将通过所述GPS定位仪采集的经度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第七个参数；
将通过所述GPS定位仪采集的纬度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第八个参数；
将通过所述三轴加速度传感器采集的所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取标准差作为所述一维特征向量的第九个参数；
将通过所述三轴陀螺仪采集的所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取标准差作为所述一维特征向量的第十个参数；
将通过所述三轴加速度传感器采集的所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十一个参数；
将通过所述三轴加速度传感器采集的所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取最小值作为所述一维特征向量的第十二个参数；
将通过所述三轴陀螺仪采集的所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十三个参数；
将通过所述三轴陀螺仪采集的所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十四个参数；
将通过所述GPS定位仪采集的所述GPS速度参数在所述时间窗内的数据的最大值作为所述一维特征向量的第十五个参数；
将通过所述GPS定位仪采集的所述GPS速度参数在所述时间窗内的数据的最小值作为所述一维特征向量的第十六个参数；
将通过所述GPS定位仪采集的所述GPS速度参数在所述时间窗内的数据的最小值作为所述一维特征向量的第十七个参数。
4.如权利要求1所述的识别系统，其特征在于，所述预设的M种行为模式包括：静止、走路、骑自行车、开车、乘坐地铁、乘坐轻轨、乘坐公交车、使用健身自行车和室内轨道车。
5.一种用户行为模式的识别方法，其特征在于，包括：
采集用户当前的行为特征数据，所述行为特征数据包括N个描述参数对应的N个参数值，N为大于等于2的整数；
根据所述N个参数值，生成一维特征向量；
对比所述一维特征向量与预设的M种行为模式中每种行为模式对应的特征向量之间的差异，并向差异最小的特征向量对应的行为模式投票；
统计在预设时间段内的投票结果，将所述用户当前的行为模式识别为获得投票最多的行为模式。
6.如权利要求5所述的识别方法，其特征在于，所述N个描述参数包括：
X轴加速度参数、Y轴加速度参数、Z轴加速度参数、X轴角速度参数、Y轴角速度参数、Z轴角速度参数、经度参数、纬度参数和GPS速度参数。
7.如权利要求5所述的识别方法，其特征在于，所述根据所述N个参数值，生成一维特征向量，具体包括：
将所述X轴加速度在时间窗内的数据的标准差作为所述一维特征向量的第一个参数；
将所述Y轴加速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第二个参数；
将所述Z轴加速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第三个参数；
将所述X轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第四个参数；
将所述Y轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第五个参数；
将所述Z轴角速度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第六个参数；
将所述经度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第七个参数；
将所述纬度参数在所述时间窗内的数据的标准差作为所述一维特征向量的第八个参数；
将所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取标准差作为所述一维特征向量的第九个参数；
将所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取标准差作为所述一维特征向量的第十个参数；
将所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十一个参数；
将所述X轴加速度参数、所述Y轴加速度参数和所述Z轴加速度参数求平方和后开方，提取最小值作为所述一维特征向量的第十二个参数；
将所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十三个参数；
将所述X轴角速度参数、所述Y轴角速度参数和所述Z轴角速度参数求平方和后开方，提取最大值作为所述一维特征向量的第十四个参数；
将所述GPS速度参数在所述时间窗内的数据的最大值作为所述一维特征向量的第十五个参数；
将所述GPS速度参数在所述时间窗内的数据的最小值作为所述一维特征向量的第十六个参数；
将所述GPS速度参数在所述时间窗内的数据的最小值作为所述一维特征向量的第十七个参数。
8.如权利要求5所述的识别方法，其特征在于，所述预设的M种行为模式包括：静止、走路、骑自行车、开车、乘坐地铁、乘坐轻轨、乘坐公交车、使用健身自行车和室内轨道车。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510864756.5A CN105447467A (zh) | 2015-12-01 | 2015-12-01 | 一种用户行为模式的识别系统和识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510864756.5A CN105447467A (zh) | 2015-12-01 | 2015-12-01 | 一种用户行为模式的识别系统和识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105447467A true CN105447467A (zh) | 2016-03-30 |
Family
ID=55557627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510864756.5A Pending CN105447467A (zh) | 2015-12-01 | 2015-12-01 | 一种用户行为模式的识别系统和识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105447467A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913089A (zh) * | 2016-04-13 | 2016-08-31 | 北京航空航天大学 | 用户行为模式的识别方法及装置 |
| CN106169227A (zh) * | 2016-08-31 | 2016-11-30 | 广东小天才科技有限公司 | 一种出行提醒的方法及穿戴设备 |
| CN106331622A (zh) * | 2016-08-25 | 2017-01-11 | 广西小草信息产业有限责任公司 | 一种牲口监测系统及方法 |
| CN107145834A (zh) * | 2017-04-12 | 2017-09-08 | 浙江工业大学 | 一种基于物理属性的自适应行为识别方法 |
| CN107402397A (zh) * | 2017-06-30 | 2017-11-28 | 北京奇虎科技有限公司 | 基于移动终端的用户活动状态确定方法、装置及移动终端 |
| CN107958221A (zh) * | 2017-12-08 | 2018-04-24 | 北京理工大学 | 一种基于卷积神经网络的人体运动步态分类方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006105286A2 (en) * | 2005-03-30 | 2006-10-05 | Cernium Corporation | Intelligent video behavior recognition with multiple masks and configurable logic inference module |
| US20110044498A1 (en) * | 2009-08-18 | 2011-02-24 | Wesley Kenneth Cobb | Visualizing and updating learned trajectories in video surveillance systems |
| CN102682041A (zh) * | 2011-03-18 | 2012-09-19 | 日电（中国）有限公司 | 用户行为识别设备及方法 |
| CN102855321A (zh) * | 2012-09-07 | 2013-01-02 | 陕西师范大学 | 人体行为识别方法 |
| CN103150579A (zh) * | 2013-02-25 | 2013-06-12 | 东华大学 | 一种基于视频序列的人体异常行为检测方法 |
| CN103500342A (zh) * | 2013-09-18 | 2014-01-08 | 华南理工大学 | 一种基于加速度计的人体行为识别方法 |
| CN103699795A (zh) * | 2013-12-20 | 2014-04-02 | 东软熙康健康科技有限公司 | 一种运动行为识别方法、装置及运动强度监测系统 |
| CN105046215A (zh) * | 2015-07-07 | 2015-11-11 | 中国科学院上海高等研究院 | 不受个体佩戴位置和佩戴方式影响的姿态行为识别方法 |
-
2015
- 2015-12-01 CN CN201510864756.5A patent/CN105447467A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006105286A2 (en) * | 2005-03-30 | 2006-10-05 | Cernium Corporation | Intelligent video behavior recognition with multiple masks and configurable logic inference module |
| US20110044498A1 (en) * | 2009-08-18 | 2011-02-24 | Wesley Kenneth Cobb | Visualizing and updating learned trajectories in video surveillance systems |
| CN102682041A (zh) * | 2011-03-18 | 2012-09-19 | 日电（中国）有限公司 | 用户行为识别设备及方法 |
| CN102855321A (zh) * | 2012-09-07 | 2013-01-02 | 陕西师范大学 | 人体行为识别方法 |
| CN103150579A (zh) * | 2013-02-25 | 2013-06-12 | 东华大学 | 一种基于视频序列的人体异常行为检测方法 |
| CN103500342A (zh) * | 2013-09-18 | 2014-01-08 | 华南理工大学 | 一种基于加速度计的人体行为识别方法 |
| CN103699795A (zh) * | 2013-12-20 | 2014-04-02 | 东软熙康健康科技有限公司 | 一种运动行为识别方法、装置及运动强度监测系统 |
| CN105046215A (zh) * | 2015-07-07 | 2015-11-11 | 中国科学院上海高等研究院 | 不受个体佩戴位置和佩戴方式影响的姿态行为识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 蔡兴洋: "基于特征表达和属性挖掘的人体动作识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913089A (zh) * | 2016-04-13 | 2016-08-31 | 北京航空航天大学 | 用户行为模式的识别方法及装置 |
| CN105913089B (zh) * | 2016-04-13 | 2019-05-03 | 北京航空航天大学 | 用户行为模式的识别方法及装置 |
| CN106331622A (zh) * | 2016-08-25 | 2017-01-11 | 广西小草信息产业有限责任公司 | 一种牲口监测系统及方法 |
| CN106169227A (zh) * | 2016-08-31 | 2016-11-30 | 广东小天才科技有限公司 | 一种出行提醒的方法及穿戴设备 |
| CN107145834A (zh) * | 2017-04-12 | 2017-09-08 | 浙江工业大学 | 一种基于物理属性的自适应行为识别方法 |
| CN107145834B (zh) * | 2017-04-12 | 2020-06-30 | 浙江工业大学 | 一种基于物理属性的自适应行为识别方法 |
| CN107402397A (zh) * | 2017-06-30 | 2017-11-28 | 北京奇虎科技有限公司 | 基于移动终端的用户活动状态确定方法、装置及移动终端 |
| CN107402397B (zh) * | 2017-06-30 | 2020-06-05 | 北京奇虎科技有限公司 | 基于移动终端的用户活动状态确定方法、装置及移动终端 |
| CN107958221A (zh) * | 2017-12-08 | 2018-04-24 | 北京理工大学 | 一种基于卷积神经网络的人体运动步态分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105447467A (zh) | 一种用户行为模式的识别系统和识别方法 | |
| Subbu et al. | LocateMe: Magnetic-fields-based indoor localization using smartphones | |
| CN103518389B (zh) | 通过使用运动传感器检测引擎rpm进行的车辆情境感知 | |
| CN103885571B (zh) | 一种信息处理方法及电子设备 | |
| EP3819823B1 (en) | Object detection method and apparatus, computer system, and readable storage medium | |
| CN101483002A (zh) | 越界报警系统及其越界报警方法 | |
| Cheng et al. | Mobile robot indoor dual Kalman filter localisation based on inertial measurement and stereo vision | |
| CN109740113A (zh) | 超参数阈值范围确定方法、装置、存储介质及电子设备 | |
| US10949069B2 (en) | Shake event detection system | |
| CN105962955A (zh) | 一种儿童专注度获取方法和系统 | |
| CN105046215A (zh) | 不受个体佩戴位置和佩戴方式影响的姿态行为识别方法 | |
| CN110298164A (zh) | 验证码处理方法及装置 | |
| CN113537070A (zh) | 一种检测方法、装置、电子设备及存储介质 | |
| CN107454970A (zh) | 一种基于球类运动的运动轨迹采集和分析的系统与方法 | |
| US20150103080A1 (en) | Computing device and method for simulating point clouds | |
| CN104008208A (zh) | 一种基于机会感知的情境识别系统及方法 | |
| CN106355247B (zh) | 数据处理方法和装置、芯片和电子设备 | |
| CN107992193A (zh) | 手势确认方法、装置及电子设备 | |
| CN105117010B (zh) | 一种启动应用程序的方法及智能手表 | |
| CN107463689A (zh) | 运动特征数据库的生成方法、运动状态识别方法及终端 | |
| CN103577047A (zh) | 用于数据网格控件的水平滚动条的显示处理方法和装置 | |
| CN106204804A (zh) | 一种监测方法以及装置 | |
| CN114739412B (zh) | 一种基于智能手机的行人步态实时检测方法及设备 | |
| Wang | Data feature extraction method of wearable sensor based on convolutional neural network | |
| JPWO2020026513A1 (ja) | 屋内位置推定装置、ユーザー端末、屋内位置推定方法及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160330 |