CN108256449B - 一种基于子空间分类器的人体行为识别方法 - Google Patents

一种基于子空间分类器的人体行为识别方法 Download PDF

Info

Publication number
CN108256449B
CN108256449B CN201810000696.6A CN201810000696A CN108256449B CN 108256449 B CN108256449 B CN 108256449B CN 201810000696 A CN201810000696 A CN 201810000696A CN 108256449 B CN108256449 B CN 108256449B
Authority
CN
China
Prior art keywords
behavior
subspace
matrix
behaviors
dimension
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.)
Active
Application number
CN201810000696.6A
Other languages
English (en)
Other versions
CN108256449A (zh
Inventor
杨小龙
何艾琳
蒋青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810000696.6A priority Critical patent/CN108256449B/zh
Publication of CN108256449A publication Critical patent/CN108256449A/zh
Application granted granted Critical
Publication of CN108256449B publication Critical patent/CN108256449B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于子空间分类器的人体行为识别方法，其通过主成分分析法(Principal Components Analysis，PCA)对信道状态信息(Channel State Information，CSI)进行降维，去除冗余信息，降低时间复杂度。再利用小波变换、统计特征提取、标准化等手段，提取出特征长度一致并能表征各种行为的特征。然后，利用抽样来构造子空间，在各个子空间内用支持向量机(Support Vector Machine，SVM)训练，得到子空间分类模型，最后通过投票法对在线行为进行判决。本发明方法能够运用于提升人体行为识别的准确率，解决了单个分类器行为识别鲁棒性不够、准确率不高的问题。

Description

一种基于子空间分类器的人体行为识别方法
技术领域
本发明涉及行为提取技术，具体涉及一种子空间分类器的人体行为识别方法。
背景技术
随着二十一世纪科学技术的飞速发展和计算机设备的普及，人机交互技术(HumanComputer Interaction,HCI)已经成为众多国家重点关注和研究的对象。所谓人机交互，是指用户与计算机设备之间通过电脑硬件、行为动作、声音等预先指定好的交互方式，去完成指定的任务从而产生信息交换的过程。人体行为识别作为其重要的研究领域，对人机交互技术的发展有非常重大的作用，对改善人类的生产生活有着巨大的意义。传统的基于视觉的行为识别技术易受光线、视距传播等因素的影响，而基于传感器的行为识别需要使用者佩戴专用设备，影响了行为识别技术的推广。随着WLAN技术的发展和成熟，许多家庭可随意安装高速且稳定的WLAN设备，这类设备成本低、易携带和安装。因此，学者们基于WLAN进行许多相关研究，其中基于WLAN的室内定位已发展成熟，基于WLAN的室内入侵检测也已构成完善的系统。为了实现高带宽、高质量的WLAN服务，使无线局域网达到以太网的性能水平，WLAN协议802.11n和802.11ac相继得到IEEE正式批准，其调制方式为正交频分复用技术(Orthogonal Frequency Division Multiplexing,OFDM)，通过该技术可以解析出各个子载波信道的CSI，这使得通过WLAN进行更精细的研究成为可能。特别是在2014年，美国华盛顿大学和英特尔公司合作，利用intel 5300网卡，成功提取出30个子载波的CSI信息，并将其技术公开，引起学术界的轰动，大量学者开始对CSI信号进行研究与探索。
现有的基于CSI的人体行为识别技术中行为识别算法主要有动态时间规整(Dynamic Time Warping，DTW)，隐型马尔科夫模型(Hidden Markov Model，HMM)，支持向量机 (Support Vector Machine，SVM)和装袋(bootstrap aggregation，bagging)。这些技术在某些条件下都能达到较高的识别率，但是都存在一定的局限。DTW算法需要结合K邻近算法(k-NearestNeighbor，KNN)等算法使用，但是KNN等算法都是惰性学习算法，需要在在线阶段通过DTW算法来计算特征相似度，牺牲了系统的实时性，特别是在特征序列比较长的情况下，这种算法几乎完全无法完成识别。HMM算法需要大量的样本，而且隐藏层数量也无法确定。基于SVM的行为识别技术需要牺牲行为数据时间上的关联性，单独的使用它会造成系统的鲁棒性不足。bagging算法抽样方式过于随机，会造成训练样本不均衡。
发明内容
本发明的目的是提供一种基于子空间分类器的人体行为识别方法，能有效提得对行为进行分类判决。
本发明所述的基于子空间分类器的人体行为识别方法，包括以下步骤：
步骤一、利用主成分分析法，将CSI信号降维到p维；
步骤二、通过q层小波变换提取信号时频特性，进行q层离散小波变换，得到每个行为的时频特性矩阵，这是一个p×(q+1)行T列的矩阵；
步骤三、提取各个行为的统计特征，包括：均值、标准差、四分位距、50％累积概率下分位数、68.3％累积概率下分位数、95％累积概率下分位数；
步骤四、通过z-score标准化方法，将行为的各个特征变换到同一个尺度下；
步骤五、设置子空间分类器数量c和子空间维度y；
步骤六、将所有特征分成p×(q+1)组，每一组表示某一个主成分的某一个频率分量的6 种统计量；
步骤七、初始化已构建子空间分类器数量j＝0；
步骤八、初始化备选特征集合U＝[1,2,…,y]，统计量编号，i＝1，已选特征集合
Figure BDA0001536852390000021
步骤九、令第i种统计量的抽选集合
Figure BDA0001536852390000022
抽选次数time＝0；
步骤十、随机从U中抽取一个数z，计算z′＝mod(z,p×(q+1))+1；
步骤十一、若
Figure BDA0001536852390000023
进入步骤十二，否则进入步骤十；
步骤十二、将z′组的第i个特征添加进Sj，z′添加进Si′，z从U中删除，time＝time+1；
步骤十三、若
Figure BDA0001536852390000024
进入步骤十四，否则回到步骤十；
步骤十四、i＝i+1；
步骤十五、若i≤6，回到步骤九，否则进入步骤十六；
步骤十六、利用Sj对训练数据特征进行抽取，结合SVM建立分类器，得到分类器模型 modelj；
步骤十七、j＝j+1；
步骤十八、若j＜c，进入步骤八，否则进入步骤十九；
步骤十九、利用步骤一到步骤四的方法提取在线数据的特征；,
步骤二十、利用分类器模型{model1,model2,...,modelc}和SVM原理对在线数据特征进行判决，得到c个分类结果；
步骤二十一、对这c个分类结果进行统计，输出出现最多的行为。
所述步骤一中：
假设某个行为原始数据可表示为：
Figure BDA0001536852390000031
其中，fi表示第i(i＝1,2,…,30)个子载波的频率，|H(fi,1)|表示第i个子载波的信道状态信息的幅值，T表示该行为持续时间为T。首先将矩阵中心化：
Figure BDA0001536852390000032
Figure BDA0001536852390000033
Figure BDA0001536852390000034
然后求Hc的协方差矩阵C：
Figure BDA0001536852390000035
对C进行特征值分解：
λivi＝Cvi(i＝1,…,30)
这里
Figure BDA0001536852390000036
和vi分别表示C的特征值以及该特征值对应的特征向量，且：λ1≥λ2≥…≥λ30。取p＝3，V＝[v2,v3,v4]。
Hr＝VT×H
Hr即为降维到p维的行为特征，它是一个p行T列的矩阵。
所述步骤三中：
对HW的每一行计算统计特征，可使每一种行为对应一个p×(q+1)的向量，假设训练数据中包含有M个行为，则这些行为的统计特征可组成一个M行6×p×(q+1)列的矩阵Ha，Ha的每一行表示一个行为的所有特征，每一列表示所有行为的某一种特征。Ha计算方式为
Figure BDA0001536852390000041
Figure BDA0001536852390000042
Ha(m,(j-1)×6+3)＝Q3(Hw,m(j,:))-Q1(Hw,m(j,:))
Figure BDA0001536852390000043
Figure BDA0001536852390000044
Figure BDA0001536852390000045
其中，Hw,m(j,t)表示第m种行为的时频特性矩阵的第j行第t列元素；Hw,m(j,:)表示第m 种行为的时频特性矩阵的第j行的所有元素；Q3(Hw,m(j,:))和Q1(Hw,m(j,:))表示Hw,m(j,:) 的3/4和1/4分位数；
Figure BDA0001536852390000046
表示Hw,m(j,:)的累积概率密度曲线。所述步骤四中：
Figure BDA0001536852390000047
其中Aj和σj分别表示Ha的第j列元素的均值和标准差，得到的Hb也是一个M行 6×p×(q+1)列的矩阵。
有益效果
本方法通过时频特征提取和组合分类器构造，有效的进行人体行为识别的方法。首先利用PCA算法对CSI数据进行降维，去除冗余信息，再利用小波变换获取行为时频特征、通过统计特征提取使各个行为的特征长度一致化、使用z-score标准化方法防止行为识别结果受某些特征左右。然后，针对传统行为识别算法鲁棒性不够的问题，设计了一种子空间分类器，利用抽样准则来构造子空间，在各个子空间内用SVM训练，得到子空间分类模型，最后利用投票法对在线行为进行判决。
附图说明
图1为本发明所述方法的流程示意图。
图2a为本发明的真实室外空旷环境实验示意图。
图2b为本发明的真实室内多径环境实验示意图。
图3a为室外空旷环境中各个行为的识别结果。
图3b为室内多径环境中各个行为的识别结果。
具体实施方案
下面结合附图对本发明进行详细的描述。
图1为本发明所述方法的流程示意图，如图所示，本发明所述方法具体包括以下步骤：
步骤一、利用主成分分析法，将CSI信号降维到p维；
假设某个行为原始数据可表示为：
Figure BDA0001536852390000051
其中，fi表示第i(i＝1,2,…,30)个子载波的频率，|H(fi,1)|表示第i个子载波的信道状态信息的幅值，T表示该行为持续时间为T。
首先将矩阵中心化：
Figure BDA0001536852390000052
Figure BDA0001536852390000053
Figure BDA0001536852390000054
然后求Hc的协方差矩阵C：
Figure BDA0001536852390000055
对C进行特征值分解：
λivi＝Cvi(i＝1,…,30)
这里
Figure BDA0001536852390000056
和vi分别表示C的特征值以及该特征值对应的特征向量，且：λ1≥λ2≥…≥λ30。取p＝3，V＝[v2,v3,v4]。
Hr＝VT×H
Hr即为降维到p维的行为特征，它是一个p行T列的矩阵。
步骤二、通过q层小波变换提取信号时频特性。对Hr进行q层离散小波变换，得到每个行为的时频特性矩阵HW，这是一个p×(q+1)行T列的矩阵。
步骤三、提取各个行为的统计特征，包括：均值、标准差、四分位距、50％累积概率下分位数、68.3％累积概率下分位数、95％累积概率下分位数。对HW的每一行计算统计特征，可使每一种行为对应一个6×p×(q+1)的向量，假设训练数据中包含有M个行为，则这些行为的统计特征可组成一个M行6×p×(q+1)的矩阵Ha，Ha的每一行表示一个行为的所有特征，每一列表示所有行为的某一种特征。Ha计算方式为
Figure BDA0001536852390000061
Figure BDA0001536852390000062
Ha(m,(j-1)×6+3)＝Q3(Hw,m(j,:))-Q1(Hw,m(j,:))
Figure BDA0001536852390000063
Figure BDA0001536852390000064
Figure BDA0001536852390000065
其中，Hw,m(j,t)表示第m种行为的时频特性矩阵的第j行第t列元素；Hw,m(j,:)表示第m 种行为的时频特性矩阵的第j行的所有元素；Q3(Hw,m(j,:))和Q1(Hw,m(j,:))表示Hw,m(j,:) 的3/4和1/4分位数；
Figure BDA0001536852390000066
表示Hw,m(j,:)的累积概率密度曲线。
步骤四、通过z-score标准化方法，将行为的各个特征变换到同一个尺度下：
Figure BDA0001536852390000067
其中Aj和σj分别表示Ha的第j列元素的均值和标准差，得到的Hb也是一个M行 6×p×(q+1)列的矩阵。
步骤五、设置子空间分类器数量c和子空间维度y；
步骤六、将所有特征分成p×(q+1)组，每一组表示某一个主成分的某一个频率分量的6 种统计量；
步骤七、初始化已构建子空间分类器数量j＝0；
步骤八、初始化备选特征集合U＝[1,2,…,y]，统计量编号i＝1，已选特征集合
Figure BDA0001536852390000071
步骤九：令第i种统计量的抽选集合
Figure BDA0001536852390000072
抽选次数time＝0；
步骤十、随机从U中抽取一个数z，计算z′＝mod(z,p×(q+1))+1；
步骤十一、若
Figure BDA0001536852390000073
进入步骤十二，否则进入步骤十；
步骤十二、将z′组的第i个特征添加进Sj，z′添加进Si′，z从U中删除，time＝time+1；
步骤十三、若
Figure BDA0001536852390000074
进入步骤十四，否则回到步骤十；
步骤十四、i＝i+1；
步骤十五、若i≤6，回到步骤九，否则进入步骤十六；
步骤十六、利用Sj对训练数据特征进行抽取，结合SVM建立分类器，得到分类器模型 modelj；
步骤十七、j＝j+1；
步骤十八、若j＜c，进入步骤八，否则进入步骤十九；
步骤十九、利用步骤一到步骤四的方法提取在线数据的特征；
当接收到实时测试行为的CSI数据之后，需要利用步骤一到步骤四介绍的方法，对信号特征进行提取，得到测试行为特征向量Ht。
步骤二十、利用分类器模型{model1,model2,...,modelc}和SVM原理对在线数据特征进行判决，得到c个分类结果；
先将Ht中包含在Sj中的对应特征提取出来，然后用modelj进行判决，得到判决结果uj，这里uj表示第j(j＝1,2,…,c)个子空间分类器判决出的行为对应的编号。
步骤二十一、对这c个分类结果进行统计，输出出现最多的行为。
统计{u1,u2,…uc}中出现最多的元素，输出其对应的行为。
本发明的测试环境如图2a与图2b所示。室外空旷环境大小为57.6m×51.0m，接收机与发射机之间相距10m；室内多径环境大小为13.3m×7.8m，接收机与发射机之间相距7.6m。实验中采集了人在日常生活中常做的5种行为，分别是：走、跑、坐下、蹲下、倒下，在上述两个环境中分别建立行为数据库。以一个环境为例，该数据库中包含了上述5种测试行为，每种行为30组，共计150组行为；测试数据邀请不同的志愿者测试这5种行为，每种行为采集100组，共计500组测试行为。实验中数据接收频率为1000Hz。
为了验证本发明提出的基于子空间分类器的人体行为识别方法的有效性和可靠性，图 3a与图3b分别给出了两种环境中各个行为的识别混淆矩阵，其中灰色部分是识别准确的概率，白色部分是识别到其它行为的概率。由结果可以看出，本发明方法对各种行为的识别率均较高，特别是在空旷环境下，对各种行为的识别率均能达到90％以上。

Claims (4)

1.基于子空间分类器的人体行为识别方法，其特征在于，包括以下步骤：
步骤一、利用主成分分析法，将CSI信号降维到p维；
步骤二、通过q层小波变换提取信号时频特性，对Hr进行q层离散小波变换，Hr为降维到p维的行为特征，得到每个行为的时频特性矩阵HW，这是一个p×(q+1)行T列的矩阵；
步骤三、提取各个行为的统计特征，包括：均值、标准差、四分位距、50％累积概率下分位数、68.3％累积概率下分位数、95％累积概率下分位数；
步骤四、通过z-score标准化方法，将行为的各个特征变换到同一个尺度下；
步骤五、设置子空间分类器数量c和子空间维度y；
步骤六、将所有特征分成p×(q+1)组，每一组表示某一个主成分的某一个频率分量的6种统计量；
步骤七、初始化已构建子空间分类器数量j＝0；
步骤八、初始化备选特征集合U＝[1,2,…,y]，统计量编号，i＝1，已选特征集合
Figure FDA0003276243180000011
步骤九、令第i种统计量的抽选集合
Figure FDA0003276243180000012
抽选次数time＝0；
步骤十、随机从U中抽取一个数z，计算z′＝mod(z,p×(q+1))+1；
步骤十一、若
Figure FDA0003276243180000013
进入步骤十二，否则进入步骤十；
步骤十二、将z′组的第i个特征添加进Sj，z′添加进Si′，z从U中删除，time＝time+1；
步骤十三、若
Figure FDA0003276243180000014
进入步骤十四，否则回到步骤十；
步骤十四、i＝i+1；
步骤十五、若i≤6，回到步骤九，否则进入步骤十六；
步骤十六、利用Sj对训练数据特征进行抽取，结合SVM建立分类器，得到分类器模型modelj；
步骤十七、j＝j+1；
步骤十八、若j＜c，进入步骤八，否则进入步骤十九；
步骤十九、利用步骤一到步骤四的方法提取在线数据的特征；
步骤二十、利用分类器模型{model1,model2,...,modelc}和SVM原理对在线数据特征进行判决，得到c个分类结果；
步骤二十一、对这c个分类结果进行统计，输出出现最多的行为。
2.根据权利要求1所述的基于子空间分类器的人体行为识别方法，其特征在于，所述步骤一中：
假设某个行为原始数据可表示为：
Figure FDA0003276243180000021
其中，fi表示第i(i＝1,2,…,30)个子载波的频率，|H(fi,1)|表示第i个子载波的信道状态信息的幅值，T表示该行为持续时间为T，首先将矩阵中心化：
Figure FDA0003276243180000022
Figure FDA0003276243180000023
Figure FDA0003276243180000024
然后求Hc的协方差矩阵C：
Figure FDA0003276243180000025
对C进行特征值分解：
λivi＝Cvi(i＝1,…,30)
这里
Figure FDA0003276243180000026
和vi分别表示C的特征值以及该特征值对应的特征向量，且：λ1≥λ2≥…≥λ30，取p＝3，V＝[v2,v3,v4]，
Hr＝VT×H
Hr即为降维到p维的行为特征，它是一个p行T列的矩阵。
3.根据权利要求1或2所述的基于子空间分类器的人体行为识别方法，其特征在于，所述步骤三中：
对HW的每一行计算统计特征，可使每一种行为对应一个6×p×(q+1)的向量，假设训练数据中包含有M个行为，则这些行为的统计特征可组成一个M行6×p×(q+1)列的矩阵Ha，Ha的每一行表示一个行为的所有特征，每一列表示所有行为的某一种特征；Ha计算方式为
Figure FDA0003276243180000031
Figure FDA0003276243180000032
Ha(m,(j-1)×6+3)＝Q3(Hw,m(j,:))-Q1(Hw,m(j,:))
Figure FDA0003276243180000033
Figure FDA0003276243180000034
Figure FDA0003276243180000035
其中，Hw,m(j,t)表示第m种行为的时频特性矩阵的第j行第t列元素；Hw,m(j,:)表示第m种行为的时频特性矩阵的第j行的所有元素；Q3(Hw,m(j,:))和Q1(Hw,m(j,:))表示Hw,m(j,:)的3/4和1/4分位数；
Figure FDA0003276243180000036
表示Hw,m(j,:)的累积概率密度曲线。
4.根据权利要求3所述的基于子空间分类器的人体行为识别方法，其特征在于，所述步骤四中：
Figure FDA0003276243180000037
其中Aj和σj分别表示Ha的第j列元素的均值和标准差，得到的Hb也是一个M行6×p×(q+1)列的矩阵。
CN201810000696.6A 2018-01-02 2018-01-02 一种基于子空间分类器的人体行为识别方法 Active CN108256449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810000696.6A CN108256449B (zh) 2018-01-02 2018-01-02 一种基于子空间分类器的人体行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810000696.6A CN108256449B (zh) 2018-01-02 2018-01-02 一种基于子空间分类器的人体行为识别方法

Publications (2)

Publication Number Publication Date
CN108256449A CN108256449A (zh) 2018-07-06
CN108256449B true CN108256449B (zh) 2021-11-16

Family

ID=62724689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810000696.6A Active CN108256449B (zh) 2018-01-02 2018-01-02 一种基于子空间分类器的人体行为识别方法

Country Status (1)

Country Link
CN (1) CN108256449B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241926A (zh) * 2018-09-19 2019-01-18 重庆信络威科技有限公司 一种基于小波分析的驾驶行为识别方法
CN109657572B (zh) * 2018-12-04 2022-07-22 重庆邮电大学 一种基于Wi-Fi的墙后目标行为识别方法
CN110059567A (zh) * 2019-03-21 2019-07-26 浙江工业大学 一种基于WiFi的火灾烟雾检测方法
CN110288018B (zh) * 2019-06-24 2022-08-12 桂林电子科技大学 一种融合深度学习模型的WiFi身份识别方法
CN111901028B (zh) * 2020-07-24 2023-04-07 辽宁工程技术大学 一种基于多天线上csi的人体行为识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268568A (zh) * 2014-09-17 2015-01-07 电子科技大学 基于独立子空间网络的行为识别方法
CN104732208A (zh) * 2015-03-16 2015-06-24 电子科技大学 基于稀疏子空间聚类的视频人体行为识别方法
CN106407905A (zh) * 2016-08-31 2017-02-15 电子科技大学 基于机器学习的无线感知动作识别方法
CN107018110A (zh) * 2017-02-28 2017-08-04 西安电子科技大学 一种基于主成分序列的空频编码盲识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8429153B2 (en) * 2010-06-25 2013-04-23 The United States Of America As Represented By The Secretary Of The Army Method and apparatus for classifying known specimens and media using spectral properties and identifying unknown specimens and media

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268568A (zh) * 2014-09-17 2015-01-07 电子科技大学 基于独立子空间网络的行为识别方法
CN104732208A (zh) * 2015-03-16 2015-06-24 电子科技大学 基于稀疏子空间聚类的视频人体行为识别方法
CN106407905A (zh) * 2016-08-31 2017-02-15 电子科技大学 基于机器学习的无线感知动作识别方法
CN107018110A (zh) * 2017-02-28 2017-08-04 西安电子科技大学 一种基于主成分序列的空频编码盲识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Activity recognition based on micro-Doppler signature with in-home Wi-Fi;Qingchao Chen et al;《2016 IEEE 18th International Conference on e-Health Networking, Applications and Services (Healthcom)》;20161121;第1-6页 *
基于生理大数据的情绪识别研究进展;赵国朕 等;《计算机研究与发展》;20161231;第80-92页 *
行为识别中基于GA优化的加速度特征选择方法;徐仙，卢先领，王洪斌;《计算机工程与应用》;20161231;第139-143页 *

Also Published As

Publication number Publication date
CN108256449A (zh) 2018-07-06

Similar Documents

Publication Publication Date Title
CN108256449B (zh) 一种基于子空间分类器的人体行为识别方法
Senior A combination fingerprint classifier
Khan et al. Principal component analysis-linear discriminant analysis feature extractor for pattern recognition
CN100363938C (zh) 基于得分差加权融合的多模态身份识别方法
CN102024455A (zh) 说话人识别系统及其方法
CN106991312B (zh) 基于声纹识别的互联网反欺诈认证方法
CN106778714B (zh) 基于非线性特征和模型合并的lda人脸识别方法
CN116311483B (zh) 基于局部面部区域重构和记忆对比学习的微表情识别方法
CN112232395B (zh) 一种基于联合训练生成对抗网络的半监督图像分类方法
Fan et al. Deep Hashing for Speaker Identification and Retrieval.
CN117115581A (zh) 一种基于多模态深度学习的智能误操作预警方法及系统
CN115101077A (zh) 一种声纹检测模型训练方法及声纹识别方法
KR100876786B1 (ko) 조명 마스크를 이용하는 사용자 얼굴 검증 시스템 및 방법
Monaco Classification and authentication of one-dimensional behavioral biometrics
CN113159181B (zh) 基于改进的深度森林的工业控制系统异常检测方法和系统
Bicego et al. Person authentication from video of faces: a behavioral and physiological approach using Pseudo Hierarchical Hidden Markov Models
CN112465054B (zh) 一种基于fcn的多变量时间序列数据分类方法
CN114764580A (zh) 一种基于无穿戴设备的实时人体手势识别方法
Thakur et al. Conv-codes: audio hashing for bird species classification
Zhang et al. Text independent voiceprint recognition model based on I-vector
CN112906634A (zh) 基于vss的视频段序列预测模型建立、序列预测方法及系统
CN113361592B (zh) 一种基于公共子空间表示学习的声学事件识别方法
CN118098288B (zh) 一种基于自学习标签校正的弱监督语音抑郁症检测方法
Srinivas et al. Graph-based sensor fusion for classification of transient acoustic signals
CN113033495B (zh) 一种基于k-means算法的弱监督行为识别方法

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
GR01 Patent grant
GR01 Patent grant