CN106919888A - 一种吃饭行为识别方法、装置及家庭网关 - Google Patents
一种吃饭行为识别方法、装置及家庭网关 Download PDFInfo
- Publication number
- CN106919888A CN106919888A CN201510993599.8A CN201510993599A CN106919888A CN 106919888 A CN106919888 A CN 106919888A CN 201510993599 A CN201510993599 A CN 201510993599A CN 106919888 A CN106919888 A CN 106919888A
- Authority
- CN
- China
- Prior art keywords
- behavior
- characteristic vectors
- multidimensional characteristic
- meal
- sample
- 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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种吃饭行为识别方法、装置及家庭网关,其方法包括:获取用于表示用户行为的多维特征向量;计算多维特征向量与不同的行为聚类中心的距离;其中,行为聚类是对多个历史多维特征向量样本聚类得到的;当多维特征向量与吃饭行为聚类中心的距离最短时,确定用户行为是吃饭行为并记录。本发明通过对用户行为的历史数据进行聚类,得到不同的用户行为聚类作为用户行为的参考数据,以根据与各行为聚类中心的距离来自动识别新的一天中用户的吃饭行为,充分考虑了用户不同的生活习惯,保证了参考数据的可靠性,而且无需对用户进行监督避免了用户隐私泄露的问题。
Description
技术领域
本发明涉及家庭智能化领域,尤其涉及一种吃饭行为识别方法、装置及家庭网关。
背景技术
随着物联网技术的发展,家庭智能化越来越受到用户的青睐,尤其是独居老人更需要通过家庭智能化来监控其日常生活行为。例如吃饭行为,现有技术中常采用被动红外(PIR,Passive infrared detectors)传感器或摄像头等装置对用户行为进行识别,并通过预设规则判断,例如:PIR传感器检测到用户进入厨房则判断其行为为做饭,或者图像视频识别技术直接识别出用户做饭或吃饭等行为动作。
但是,由于不同用户的生活习惯可能存在较大差异,相同的规则不能适应所有用户,这就导致PIR传感器识别存在较大误差,识别结果不够准确;而图像视频识别技术虽能够直接识别用户行为,但存在隐私暴露的问题,且只能识别固定区域内的行为。
发明内容
本发明提供了一种吃饭行为识别方法、装置及家庭网关,解决了现有技术中用户吃饭行为识别方法中误判率高和隐私安全性差的问题。
依据本发明的一个方面,提供了一种吃饭行为识别方法,包括:
获取用于表示用户行为的多维特征向量;
计算多维特征向量与不同的行为聚类中心的距离;其中,行为聚类是对多个历史多维特征向量样本聚类得到的;
当多维特征向量与吃饭行为聚类中心的距离最短时,确定用户行为是吃饭行为并记录。
其中,获取用于表示用户行为的多维特征向量的步骤包括:
获取PIR传感器采集到的用于标识用户行为的多维特征向量。
其中,多维特征向量包括:冰箱振动传感器触发次数、厨房停留总时间、厨房进入次数、入户门开启次数、厨房单次停留时间最大值和饭厅停留时间最大值中的至少两个特征维度。
其中,在计算多维特征向量与不同的行为聚类中心的距离的步骤之前,还包括:
对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类。
其中,对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类的步骤包括:
获取最近前N天的历史多维特征向量样本,其中,N为正整数;
采用K-means聚类算法对历史多维特征向量样本进行聚类计算,得到不同的行为聚类。
其中,采用K-means聚类算法对历史多维特征向量样本进行聚类计算,得到不同的行为聚类的步骤包括:
采用K-means聚类算法对历史多维特征向量样本进行聚类计算,得到不同的样本类目;
计算相同样本类目下的多维特征向量样本之间的欧式距离;
根据欧式距离的和与样本类目数目之间的关系,确定样本类目的最优数目以及对应样本类目的行为聚类。
其中,在对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类的步骤之后,还包括:
对多维特征向量中一个特定的特征维度按照预设规则排序,得到一排序结果;
根据排序结果,确定行为聚类中的吃饭行为聚类。
依据本发明的再一个方面,还提供了一种吃饭行为识别装置,包括:
获取模块,用于获取用于表示用户行为的多维特征向量;
第一计算模块,用于计算多维特征向量与不同的行为聚类中心的距离;其中,行为聚类是对多个历史多维特征向量样本聚类得到的;
第一处理模块,用于当多维特征向量与吃饭行为聚类中心的距离最短时,确定用户行为是吃饭行为并记录。
其中,获取模块包括:
第一获取单元,用于获取PIR传感器采集到的用于标识用户行为的多维特征向量。
其中,多维特征向量包括:冰箱振动传感器触发次数、厨房停留总时间、厨房进入次数、入户门开启次数、厨房单次停留时间最大值和饭厅停留时间最大值中的至少两个特征维度。
其中,该吃饭行为识别装置还包括:
第二计算模块,用于对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类。
其中,第二计算模块包括:
第二获取单元,用于获取最近前N天的历史多维特征向量样本,其中,N为正整数;
计算单元,用于采用K-means聚类算法对历史多维特征向量样本进行聚类计算,得到不同的行为聚类。
其中,计算单元包括:
第一计算子单元,用于采用K-means聚类算法对历史多维特征向量样本进行聚类计算,得到不同的样本类目;
第二计算子单元,用于计算相同样本类目下的历史多维特征向量样本之间的欧式距离;
处理子单元,用于根据欧式距离的和与样本类目数目之间的关系,确定样本类目的最优数目以及对应样本类目的行为聚类。
其中,该吃饭行为识别装置还包括:
排序模块,用于对多维特征向量中一个特定的特征维度按照预设规则排序,得到一排序结果;
第二处理模块,用于根据排序结果,确定行为聚类中的吃饭行为聚类。
依据本发明的再一个方面,还提供了一种家庭网关,包括如上所述的吃饭行为识别装置。
本发明的实施例的有益效果是:
通过对用户行为的历史数据进行聚类,得到不同的用户行为聚类作为用户行为的参考数据,以根据与各行为聚类中心的距离来自动识别新的一天中用户的吃饭行为,充分考虑了用户不同的生活习惯,保证了参考数据的可靠性,而且无需对用户进行监督避免了用户隐私泄露的问题。
附图说明
图1表示本发明的吃饭行为识别方法的流程示意图;
图2表示本发明的吃饭行为识别装置的结构示意图;
图3表示家庭智能化系统的组网示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一
如图1所示,本发明的实施例提供了一种吃饭行为识别方法,具体包括:
步骤S101:获取用于表示用户行为的多维特征向量。
其中,该多维特征向量包括多个表征用户行为的特征维度,其中,不同的特征维度表示不同的用户行为特征。例如:第一特征维度表征用户停留时间、第二特征维度表征用户出入某一房间的次数。该多维特征向量具体可用多维向量表示亦可以采用列表形式表示,本实施例并不对该多维特征向量的表示形式以及包含几个特征维度做具体限定。
步骤S102:计算多维特征向量与不同的行为聚类中心的距离。
这里,行为聚类是对多个历史多维特征向量样本聚类得到的。其中,这里所说的历史多维特征向量样本与获取到的多维特征向量的特征维度相同,即历史多维特征向量样本可表征用户的历史行为,通过对多个历史多维特征向量样本进行聚类得到的行为聚类,可较为准确地总结用户的行为规律,因此行为聚类能够在一定程度上表征用户行为,因此可用于作为用户行为识别的参考数据。
其中,通过对多个历史多维特征向量样本进行聚类可得到不同的行为聚类,例如:运动行为聚类、休息行为聚类、吃饭行为聚类、异常行为聚类等,具体地,历史多维特征向量样本中的特征维度不同,聚类得到的行为聚类的类型不同,本实施例仅以吃饭行为进行说明,因此本实施例中的历史多维特征向量样本中的特征维度均与吃饭行为相关。
步骤S103:当多维特征向量与吃饭行为聚类中心的距离最短时,确定用户行为是吃饭行为并记录。
其中,对与吃饭行为相关的历史多维特征向量样本进行聚类能够得到吃饭行为聚类,以及非吃饭行为聚类。当获取到的多维特征向量与吃饭行为聚类的中心的距离最短时,确定用户行为是吃饭行为并记录,当获取到的多维特征向量与非吃饭行为聚类的中心的距离最短时,确定用户行为不是吃饭行为并记录,便于用户后续查询记录,以了解某一天是否吃饭或未吃饭。
通过对用户行为的历史数据进行聚类,得到不同的用户行为聚类作为用户行为的参考数据,以根据与各行为聚类中心的距离来自动识别新的一天中用户的吃饭行为,充分考虑了用户不同的生活习惯,保证了参考数据的可靠性。
实施例二
以上实施例一简单介绍了本发明的吃饭行为识别方法,下面将基于实施例一对不同场景下的具体应用做进一步说明。
以上步骤S101具体为:获取PIR传感器采集到的用于标识用户行为的多维特征向量。
其中,PIR传感器分布于家庭室内的多个房间,如厨房、饭厅、卧室等,用于检测室内人员是否处于某一区域,PIR传感器通过低功耗自组织无线通信网络协议(如zigbee协议)将传感器采集到的信息上报。
为了进一步保证多维特征向量的准确性和全面性,除了获取PIR传感器采集到的数据,还可获取加速度计和/或门磁传感器采集到的多维特征向量。即在各个门上安装大门门磁,以及在大件物品上安装用于物品使用检测的加速度计或振动传感器,例如安装在冰箱门上检测冰箱的使用情况。
进一步地,上述多维特征向量中的各个特征维度均与吃饭行为相关,具体地,多维特征向量包括:冰箱振动传感器触发次数、厨房停留总时间、厨房进入次数、入户门开启次数、厨房单次停留时间最大值和饭厅停留时间最大值中的至少两个特征维度。其中,值得指出的是多维特征向量中包含的特征维度的数目越多,对历史多维特征向量样本进行聚类计算得到的行为聚类越准确,识别准确率越高。
其中,在计算多维特征向量与不同的行为聚类中心的距离的步骤之前,还包括:对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类。
进一步地,对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类的步骤包括:
获取最近前N天的历史多维特征向量样本,其中,N为正整数。
其中,用户可根据自身习惯设定一固定时间段,如早饭时间7:00至9:00,午饭时间11:00至13:00,晚饭时间17:00至17:00,其中,上述固定时间段可根据自身习惯进行调整,以保证采集到的数据具有较高的参考准确性。其中,在一定范围内,N的值越大,历史多维特征向量样本的参考价值越高。
历史多维特征向量样本包括与多维特征向量相同的特征维度,且获取方式亦与获取多维特征向量的方式相同,故在此不再赘述。
采用K-means聚类算法对多维特征向量样本进行聚类计算,得到不同的行为聚类,具体包括:
采用K-means聚类算法对历史多维特征向量样本进行聚类计算,得到不同的样本类目。
其中,采用的历史多维特征向量样本可在具体产品开发中设置,即设置一非监督学习时间,具体地,可采用30至100天,当系统工作30天后,即可采用前30天采集到的多维特征向量作为历史多维特征向量样本,并对其进行K-means聚类分析,以衡量样本的差异性,从而分出不同的样本类目。而超过100天后,则采用最近的100天采集到的维特征向量作为历史多维特征向量样本,并对其进行K-means聚类分析,以衡量样本的差异性,从而分出不同的样本类目。
计算相同样本类目下的多维特征向量样本之间的欧式距离。其中,采用欧式距离可用于衡量同一样本类目下的样本差异性。
根据欧式距离的和与样本类目数目之间的关系,确定样本类目的最优数目以及对应样本类目的行为聚类。
同类样本类目下的多个样本之间的距离之和将随着样本类目的数目下降从而产生一条“距离-样本类目数目”函数曲线,通过衡量此下降过程的下降速度最快处,例如从2类到3类时下降最快,则取3类为最优的样本类木数目,分3类时的k-means聚类结果则为最终的样本点聚类结果。
其中,在对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类的步骤之后,还包括:
对多维特征向量中一个特定的特征维度按照预设规则排序,得到一排序结果;根据排序结果,确定行为聚类中的吃饭行为聚类。
其中,当对多个历史多维特征向量样本进行聚类计算,得到不同的样本类目,其中,一个样本类目对应于一个行为聚类,将得到的行为聚类按照多维特征向量中一个特定的特征维度以预设规则排序,得到一排序结果,例如:将各个行为聚类按照厨房停留总时间由多至少排序,预估10%的样本点异常比例,排序靠前的认为是吃饭行为聚类,排序靠后的认为是非吃饭行为聚类。
通过对用户行为的历史数据进行聚类,得到不同的用户行为聚类作为用户行为的参考数据,以根据与各行为聚类中心的距离来自动识别新的一天中用户的吃饭行为,充分考虑了用户不同的生活习惯,保证了参考数据的可靠性,而且无需采用摄像头等图像采集设备对用户进行监督避免了用户隐私泄露的问题。
实施例三
以上实施例一和实施例二分别结合不同的应用场景对吃饭行为的识别方法进行介绍,下面本实施例将结合附图对其相应的装置做进一步介绍。
如图2所示,该吃饭行为识别装置,包括:
获取模块21,用于获取用于表示用户行为的多维特征向量;
第一计算模块22,用于计算多维特征向量与不同的行为聚类中心的距离;其中,行为聚类是对多个历史多维特征向量样本聚类得到的;
第一处理模块23,用于当多维特征向量与吃饭行为聚类中心的距离最短时,确定用户行为是吃饭行为并记录。
其中,获取模块包括:
第一获取单元,用于获取PIR传感器采集到的用于标识用户行为的多维特征向量。
其中,多维特征向量包括:冰箱振动传感器触发次数、厨房停留总时间、厨房进入次数、入户门开启次数、厨房单次停留时间最大值和饭厅停留时间最大值中的至少两个特征维度。
其中,该吃饭行为识别装置还包括:
第二计算模块,用于对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类。
其中,第二计算模块包括:
第二获取单元,用于获取最近前N天的历史多维特征向量样本,其中,N为正整数;
计算单元,用于采用K-means聚类算法对多维特征向量样本进行聚类计算,得到不同的行为聚类。
其中,计算单元包括:
第一计算子单元,用于采用K-means聚类算法对多维特征向量样本进行聚类计算,得到不同的样本类目;
第二计算子单元,用于计算相同样本类目下的多维特征向量样本之间的欧式距离;
处理子单元,用于根据欧式距离的和与样本类目数目之间的关系,确定样本类目的最优数目以及对应样本类目的行为聚类。
其中,该吃饭行为识别装置还包括:
排序模块,用于对多维特征向量中一个特定的特征维度按照预设规则排序,得到一排序结果;
第二处理模块,用于根据排序结果,确定行为聚类中的吃饭行为聚类。
需要说明的是,该装置是与上述吃饭行为识别方法对应的装置,上述方法实施例中所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
依据本发明的再一个方面,还提供了一种家庭网关,包括如上所述的吃饭行为识别装置。其中,如图3所示,家庭网关与分布在室内不同位置处的PIR传感器(如厨房、饭厅等)、门磁和振动检测等组成一智能家庭系统,家庭网关接收PIR传感器传送的用户行为样本信息,并计算其与参考数据的距离,以判定用户行为,实现对用户行为的监督与识别;由于参考数据是依据用户行为历史行为样本聚类分析得到的,因此具有较高的准确性。
以上所述的是本发明的优选实施方式,应当指出对于本技术领域的普通人员来说,在不脱离本发明所述的原理前提下还可以作出若干改进和润饰,这些改进和润饰也在本发明的保护范围内。
Claims (15)
1.一种吃饭行为识别方法,其特征在于,包括:
获取用于表示用户行为的多维特征向量;
计算所述多维特征向量与不同的行为聚类中心的距离;其中,所述行为聚类是对多个历史多维特征向量样本聚类得到的;
当所述多维特征向量与吃饭行为聚类中心的距离最短时,确定所述用户行为是吃饭行为并记录。
2.根据权利要求1所述的吃饭行为识别方法,其特征在于,获取用于表示用户行为的多维特征向量的步骤包括:
获取PIR传感器采集到的用于标识用户行为的多维特征向量。
3.根据权利要求1所述的吃饭行为识别方法,其特征在于,所述多维特征向量包括:冰箱振动传感器触发次数、厨房停留总时间、厨房进入次数、入户门开启次数、厨房单次停留时间最大值和饭厅停留时间最大值中的至少两个特征维度。
4.根据权利要求3所述的吃饭行为识别方法,其特征在于,在计算所述多维特征向量与不同的行为聚类中心的距离的步骤之前,还包括:
对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类。
5.根据权利要求4所述的吃饭行为识别方法,其特征在于,对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类的步骤包括:
获取最近前N天的历史多维特征向量样本,其中,N为正整数;
采用K-means聚类算法对所述历史多维特征向量样本进行聚类计算,得到不同的行为聚类。
6.根据权利要求5所述的吃饭行为识别方法,其特征在于,采用K-means聚类算法对所述历史多维特征向量样本进行聚类计算,得到不同的行为聚类的步骤包括:
采用K-means聚类算法对所述历史多维特征向量样本进行聚类计算,得到不同的样本类目;
计算相同样本类目下的历史多维特征向量样本之间的欧式距离;
根据所述欧式距离的和与样本类目数目之间的关系,确定样本类目的最优数目以及对应样本类目的行为聚类。
7.根据权利要求6所述的吃饭行为识别方法,其特征在于,在对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类的步骤之后,还包括:
对所述多维特征向量中一个特定的特征维度按照预设规则排序,得到一排序结果;
根据所述排序结果,确定所述行为聚类中的吃饭行为聚类。
8.一种吃饭行为识别装置,其特征在于,包括:
获取模块,用于获取用于表示用户行为的多维特征向量;
第一计算模块,用于计算所述多维特征向量与不同的行为聚类中心的距离;其中,所述行为聚类是对多个历史多维特征向量样本聚类得到的;
第一处理模块,用于当所述多维特征向量与吃饭行为聚类中心的距离最短时,确定所述用户行为是吃饭行为并记录。
9.根据权利要求8所述的吃饭行为识别装置,其特征在于,所述获取模块包括:
第一获取单元,用于获取PIR传感器采集到的用于标识用户行为的多维特征向量。
10.根据权利要求8所述的吃饭行为识别装置,其特征在于,所述多维特征向量包括:冰箱振动传感器触发次数、厨房停留总时间、厨房进入次数、入户门开启次数、厨房单次停留时间最大值和饭厅停留时间最大值中的至少两个特征维度。
11.根据权利要求10所述的吃饭行为识别装置,其特征在于,还包括:
第二计算模块,用于对多个历史多维特征向量样本进行聚类计算,得到不同的行为聚类。
12.根据权利要求11所述的吃饭行为识别装置,其特征在于,所述第二计算模块包括:
第二获取单元,用于获取最近前N天的历史多维特征向量样本,其中,N为正整数;
计算单元,用于采用K-means聚类算法对所述历史多维特征向量样本进行聚类计算,得到不同的行为聚类。
13.根据权利要求12所述的吃饭行为识别装置,其特征在于,所述计算单元包括:
第一计算子单元,用于采用K-means聚类算法对所述历史多维特征向量样本进行聚类计算,得到不同的样本类目;
第二计算子单元,用于计算相同样本类目下的历史多维特征向量样本之间的欧式距离;
处理子单元,用于根据所述欧式距离的和与样本类目数目之间的关系,确定样本类目的最优数目以及对应样本类目的行为聚类。
14.根据权利要求13所述的吃饭行为识别装置,其特征在于,还包括:
排序模块,用于对所述多维特征向量中一个特定的特征维度按照预设规则排序,得到一排序结果;
第二处理模块,用于根据所述排序结果,确定所述行为聚类中的吃饭行为聚类。
15.一种家庭网关,其特征在于,包括如权利要求8-14任一项所述的吃饭行为识别装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510993599.8A CN106919888A (zh) | 2015-12-25 | 2015-12-25 | 一种吃饭行为识别方法、装置及家庭网关 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510993599.8A CN106919888A (zh) | 2015-12-25 | 2015-12-25 | 一种吃饭行为识别方法、装置及家庭网关 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106919888A true CN106919888A (zh) | 2017-07-04 |
Family
ID=59454611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510993599.8A Pending CN106919888A (zh) | 2015-12-25 | 2015-12-25 | 一种吃饭行为识别方法、装置及家庭网关 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106919888A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109512547A (zh) * | 2018-12-03 | 2019-03-26 | 刘彩刚 | 一种基于k-means的乳房假体构建方法及装置 |
CN111723617A (zh) * | 2019-03-20 | 2020-09-29 | 顺丰科技有限公司 | 动作识别的方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521574A (zh) * | 2011-12-14 | 2012-06-27 | 天津大学 | 基于热释电红外信息的人体动作识别方法 |
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 |
CN104598880A (zh) * | 2015-03-06 | 2015-05-06 | 中山大学 | 一种基于模糊支持向量机的行为识别方法 |
CN105005593A (zh) * | 2015-06-30 | 2015-10-28 | 北京奇艺世纪科技有限公司 | 多用户共用设备的场景识别方法和装置 |
CN105139029A (zh) * | 2015-08-14 | 2015-12-09 | 哈尔滨华夏矿安科技有限公司 | 一种监狱服刑人员的行为识别方法及装置 |
-
2015
- 2015-12-25 CN CN201510993599.8A patent/CN106919888A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102521574A (zh) * | 2011-12-14 | 2012-06-27 | 天津大学 | 基于热释电红外信息的人体动作识别方法 |
CN104598880A (zh) * | 2015-03-06 | 2015-05-06 | 中山大学 | 一种基于模糊支持向量机的行为识别方法 |
CN105005593A (zh) * | 2015-06-30 | 2015-10-28 | 北京奇艺世纪科技有限公司 | 多用户共用设备的场景识别方法和装置 |
CN105139029A (zh) * | 2015-08-14 | 2015-12-09 | 哈尔滨华夏矿安科技有限公司 | 一种监狱服刑人员的行为识别方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109512547A (zh) * | 2018-12-03 | 2019-03-26 | 刘彩刚 | 一种基于k-means的乳房假体构建方法及装置 |
CN111723617A (zh) * | 2019-03-20 | 2020-09-29 | 顺丰科技有限公司 | 动作识别的方法、装置、设备及存储介质 |
CN111723617B (zh) * | 2019-03-20 | 2023-10-27 | 顺丰科技有限公司 | 动作识别的方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aminikhanghahi et al. | Real-time change point detection with application to smart home time series data | |
Amayri et al. | Estimating occupancy in heterogeneous sensor environment | |
Jin et al. | Presencesense: Zero-training algorithm for individual presence detection based on power monitoring | |
CN108322347B (zh) | 数据检测方法、装置、检测服务器及存储介质 | |
CN105376260B (zh) | 一种基于密度峰值聚类的网络异常流量监测系统 | |
Khan et al. | Occupancy monitoring using environmental & context sensors and a hierarchical analysis framework | |
Nguyen et al. | Beyond Indoor Presence Monitoring with Simple Sensors. | |
Giatsoglou et al. | Nd-sync: Detecting synchronized fraud activities | |
CN110390565A (zh) | 通过ai边缘计算实现智能网关自适应管理的方法及系统 | |
CN105320834B (zh) | 基于电器使用状态的人数计算方法及其监控系统 | |
CN105871634A (zh) | 检测集群异常的方法及应用、管理集群的系统 | |
EP3361459A1 (en) | Method, apparatus and system for passive infrared sensor framework | |
Krishnan et al. | Learning a taxonomy of predefined and discovered activity patterns | |
CN116821809B (zh) | 基于人工智能的生命体征数据采集系统 | |
Mulia et al. | A review on building occupancy estimation methods | |
Tan et al. | Multimodal sensor fusion framework for residential building occupancy detection | |
Crivello et al. | Detecting occupancy and social interaction via energy and environmental monitoring | |
Deepa et al. | Machine learning based estimation of room occupancy using non-intrusive sensors | |
CN106919888A (zh) | 一种吃饭行为识别方法、装置及家庭网关 | |
Amayri et al. | Decision tree and parametrized classifier for estimating occupancy in energy management | |
Shang et al. | Implicit irregularity detection using unsupervised learning on daily behaviors | |
Amayri et al. | Towards interactive learning for occupancy estimation | |
Maksimović et al. | Comparative analysis of data mining techniques applied to wireless sensor network data for fire detection | |
Stamatescu et al. | Privacy-preserving sensing and two-stage building occupancy prediction using random forest learning | |
Chen et al. | Activity recognition approach based on spatial-temporal constraints for aged-care in smart home |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170704 |
|
RJ01 | Rejection of invention patent application after publication |