CN109784418B - 一种基于特征重组的人体行为识别方法及系统 - Google Patents
一种基于特征重组的人体行为识别方法及系统 Download PDFInfo
- Publication number
- CN109784418B CN109784418B CN201910079040.2A CN201910079040A CN109784418B CN 109784418 B CN109784418 B CN 109784418B CN 201910079040 A CN201910079040 A CN 201910079040A CN 109784418 B CN109784418 B CN 109784418B
- Authority
- CN
- China
- Prior art keywords
- feature
- frequency
- features
- human
- accuracy
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于特征重组的人体行为识别方法及系统,所述人体行为识别方法具体包括:选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,选出各自的人体行为特征集并组合形成一个初始化特征集;在初始化特征集中,按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集;基于重组后的特征集,采用分类算法进行人体行为识别,计算各类人体行为的识别准确率。本发明进一步保证了人体行为识别的准确率,可广泛应用于人机交互等领域。
Description
技术领域
本发明涉及人体行为特征分类技术领域,具体涉及一种基于特征重组的人体行为识别方法及系统。
背景技术
随着微机电系统的发展,人体行为识别在智慧生活、医疗健康、运动监测等众多领域逐步被应用,并成为研究热点。在现有研究中,一般采用三轴加速度传感器等设备实时获取当事人的行为数据,并采用相应的算法进行处理分析,试图获得高准确率的行为识别分类。然而识别准确率易受特征选择方法的影响。现有技术一般通过采用Adaboost等集成分类器对人体行为特征进行分类,然而虽然高维度的特征对识别准确率有较好的保证,但仍需考虑使用特征选择算法进一步降低特征的维度。所以现有技术中也有采用主成分分析等技术对特征进行降维,然而使用固定的特征数量虽然在所有的行为分类中有较好的效果,但必定会对某些特定的行为分类带来不必要的计算复杂度。也有一些技术采用过滤式混合方法进行特征选择,但其原理依然是遵循特征加权进行排序,并没有结合具有不同原理的特征选择方法。
由此可知,现有技术还有待于进一步的改进和发展。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于特征重组的人体行为识别方法及系统,进一步提高人体行为识别的准确率。
本发明的第一个目的可以通过采取如下技术方案达到:
一种基于特征重组的人体行为识别方法,所述人体行为识别方法包括以下步骤:
S1、选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,将选出的各自的人体行为特征集组合形成一个初始化特征集;
S2、在初始化特征集中,按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集New_Features;
S3、基于重组后的特征集New_Features,采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。
进一步地,所述步骤S1包括:
S11、选用特征选择方法对人体行为数据进行特征选择,形成各自的人体行为特征集,表示为Features(F(i),Data_train),其中F(i)表示第i种特征选择方法,Data_train表示人体行为训练数据集,所述特征选择方法包括方差分析过滤式、互信息过滤式、包裹式及嵌入式特征选择方法中一种或多种;
S12、将所选方法所选择的特征集组合初始化为一个特征集合,表示为Total={Features(F(i),Data_train)}。
进一步地,所述步骤S2包括:
S21、在初始化特征集中,统计各个特征的出现频率,表示为Frequency(Feature[i]),其中Feature[i]表示第i个特征,并划分为高频特征集和低频特征集,分别表示为High_Freq={Feature[i]|Frequency(Feature[i])≥Frequency(threshold)}和Low_Freq={Feature[i]|Frequency(Feature[i])<Frequency(threshold)},其中,Frequency(threshold)表示特征出现频率的阈值;
S22、高频特征将作为人体行为识别阶段的必选特征,对于低频特征,首先采用随机遍历选择策略从Low_Freq中选择m≥0个低频特征,表示为Random(m)={Feature[i]|Feature[i]∈Low_Freq},然后采用再插入机制将Random(m)与高频特征集High_Freq重组形成新的特征集,表示为New_Features=High_Freq∪Random(m),如果基于New_Features无法达到期望的人体行为识别准确率的要求,即,Accuracy<Accuracy(threshold),其中Accuracy表示采用分类算法后所计算得到的人体行为识别准确率,Accuracy(threshold)表示所期望的人体行为识别准确率,则在m的基础上再随机遍历选择并增加1个新的低频特征,再插入到高频特征集中重组形成新的特征集New_Features,直至达到期望的人体行为识别准确率,即,Accuracy≥Accuracy(threshold)。
进一步地,所述步骤S3过程如下:
基于重组后的特征集New_Features,采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。
本发明的另一个目的可以通过采取如下技术方案达到:
一种基于特征重组的人体行为识别系统,所述人体行为识别系统包括:
初始化人体行为特征集模块100,用于选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,将选出的各自的人体行为特征集组合形成一个初始化特征集;
特征重组模块200,用于在初始化特征集中,按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集New_Features;
人体行为识别模块300,用于基于重组后的特征集New_Features,采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。
进一步地,所述初始化人体行为特征集模块100具体包括:
人体行为初始化特征集构建单元,用于选用特征选择方法对人体行为数据进行特征选择,形成各自的人体行为特征集,表示为Features(F(i),Data_train),其中F(i)表示第i种特征选择方法,Data_train表示人体行为训练数据集,所述特征选择方法包括方差分析过滤式、互信息过滤式、包裹式及嵌入式特征选择方法中一种或多种;将所选方法所选择的特征集组合初始化为一个特征集合,表示为Total={Features(F(i),Data_train)}。
进一步地,所述特征重组模块200具体包括:
人体行为特征重组单元,用于在初始化特征集中,统计各个特征的出现频率,表示为Frequency(Feature[i]),其中Feature[i]表示第i个特征,并划分为高频特征集和低频特征集,分别表示为High_Freq={Feature[i]|Frequency(Feature[i])≥Frequency(threshold)}和Low_Freq={Feature[i]|Frequency(Feature[i])<Frequency(threshold)},其中,Frequency(threshold)表示特征出现频率的阈值;
高频特征将作为人体行为识别阶段的必选特征,对于低频特征,首先采用随机遍历选择策略从Low_Freq中选择m≥0个低频特征,表示为Random(m)={Feature[i]|Feature[i]∈Low_Freq},然后采用再插入机制将Random(m)与高频特征集High_Freq重组形成新的特征集,表示为New_Features=High_Freq∪Random(m),如果基于New_Features无法达到期望的人体行为识别准确率的要求,即,Accuracy<Accuracy(threshold),其中Accuracy表示采用分类算法后所计算得到的人体行为识别准确率,Accuracy(threshold)表示所期望的人体行为识别准确率,则在m的基础上再随机遍历选择并增加1个新的低频特征,再插入到高频特征集中重组形成新的特征集New_Features,直至达到期望的人体行为识别准确率,即,Accuracy≥Accuracy(threshold)。
进一步地,所述人体行为识别模块300具体包括:
人体行为识别单元,用于基于重组后的特征集New_Features,采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。
本发明相对于现有技术具有如下的优点及效果:
人体行为识别的准确率易受特征选择方法的影响。本发明所提供的基于特征重组的人体行为识别方法及系统,所述方法具体包括:选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,选出各自的人体行为特征集并组合形成一个初始化特征集,可较好地结合具有不同原理的特征选择方法;在初始化特征集中,按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集,较好地克服了特征维度对行为识别计算复杂度的影响;基于重组后的特征集,采用分类算法进行人体行为识别,计算各类人体行为的识别准确率。本发明进一步保证了人体行为识别的准确率,可广泛应用于人机交互等领域。
附图说明
图1是本发明基于特征重组的人体行为识别方法的较佳实施例的流程图;
图2是本发明基于特征重组的人体行为识别方法的应用实施例流程图;
图3是本发明基于特征重组的人体行为识别系统的较佳实施例的功能模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参见图1,图1是本发明基于特征重组的人体行为识别方法的较佳实施例的流程图。图1所示的基于特征重组的人体行为识别方法,包括:
步骤S1、选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,将选出的各自的人体行为特征集组合形成一个初始化特征集。
本发明实施例中,所述步骤S1具体包括步骤:
S11、选用不同的典型特征选择方法对人体行为数据进行特征选择,形成各自的人体行为特征集,表示为Features(F(i),Data_train),其中F(i)表示第i种特征选择方法,Data_train表示人体行为训练数据集,所述特征选择方法包括方差分析过滤式、互信息过滤式、包裹式及嵌入式特征选择方法中一种或多种;
S12、将所选方法所选择的特征集组合初始化为一个特征集合,表示为Total={Features(F(i),Data_train)}。
步骤S2、在初始化特征集中,按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集。
本发明实施例中,所述步骤S2具体包括步骤:
S21、在初始化特征集中,统计各个特征的出现频率,表示为Frequency(Feature[i]),其中Feature[i]表示第i个特征,并划分为高频特征集和低频特征集,分别表示为High_Freq={Feature[i]|Frequency(Feature[i])≥Frequency(threshold)}和Low_Freq={Feature[i]|Frequency(Feature[i])<Frequency(threshold)},其中,Frequency(threshold)表示特征出现频率的阈值;
S22、高频特征将作为人体行为识别阶段的必选特征,对于低频特征,首先采用随机遍历选择策略从Low_Freq中选择m(m≥0)个低频特征,表示为Random(m)={Feature[i]|Feature[i]∈Low_Freq},然后采用再插入机制将Random(m)与高频特征集High_Freq重组形成新的特征集,表示为New_Features=High_Freq∪Random(m),如果基于New_Features无法达到期望的人体行为识别准确率的要求,即,Accuracy<Accuracy(threshold),其中Accuracy表示采用分类算法后所计算得到的人体行为识别准确率,Accuracy(threshold)表示所期望的人体行为识别准确率,则在m的基础上再随机遍历选择并增加1个新的低频特征,再插入到高频特征集中重组形成新的特征集New_Features,直至达到期望的人体行为识别准确率,即,Accuracy≥Accuracy(threshold)。
步骤S3、基于所述重组后的特征集New_Features,采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。
即,当采用特征重组方法对各类特征选择方法所选择的人体行为初始化特征集进行操作,获得新的特征集后,则采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。
实施例二
以下将通过具体的应用实施例对本发明做进一步说明。图2是基于特征重组的人体行为识别方法的应用实施例示意图。如图3所示,本发明主要通过如下步骤实现:
步骤T1、通过选用不同的典型特征选择方法对人体行为数据进行特征选择,形成各自的人体行为特征集,所述特征选择方法包括方差分析过滤式、互信息过滤式、包裹式及嵌入式特征选择方法中一种或多种;将所选方法所选择的特征集组合初始化为一个特征集合。
步骤T2、在初始化特征集中,统计各个特征的出现频率,并划分为高频特征集和低频特征集;高频特征将作为人体行为识别阶段的必选特征,对于低频特征,首先采用随机遍历选择策略从低频特征集中选择m(m≥0)个低频特征,然后采用再插入机制将这m个低频特征与高频特征集重组形成新的特征集,如果基于新的特征集无法达到期望的人体行为识别准确率的要求,则在m的基础上再随机遍历选择并增加1个新的低频特征,再插入到高频特征集中重组形成新的特征集,直至达到期望的人体行为识别准确率。
步骤T3、基于重组后的特征集,采用分类算法进行人体行为识别,如:支持向量机,并计算各类人体行为的识别准确率,对识别准确率进行评估,决定最终的人体行为识别结果。
由上可见,本发明通过选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,选出各自的人体行为特征集并组合形成一个初始化特征集;在初始化特征集中,按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集;基于重组后的特征集,采用分类算法进行人体行为识别,计算各类人体行为的识别准确率。本发明进一步保证了人体行为识别的准确率,可广泛应用于人机交互等领域。
实施例三
基于上述实施例,本发明还提供一种基于特征重组的人体行为识别系统,如图3所示,包括:
初始化人体行为特征集模块100,用于选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,将选出的各自的人体行为特征集组合形成一个初始化特征集;具体如上所述。
特征重组模块200,用于在初始化特征集中按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集;具体如上所述。
人体行为识别模块300,用于基于重组后的特征集,采用支持向量机进行人体行为识别,并计算识别准确率。具体如上所述。
本实施例中,所述初始化人体行为特征集模块100具体包括:
人体行为初始化特征集构建单元:用于通过选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,将选出的各自的人体行为特征集组合形成一个初始化特征集;具体如上所述。
本实施例中,所述特征重组模块200具体包括:
人体行为特征重组单元:用于通过在初始化特征集中按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集;具体如上所述。
本实施例中,所述人体行为识别模块300具体包括:
人体行为识别单元:用于基于重组后的特征集,采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。具体如上所述。
综上所述,本发明所提供的基于特征重组的人体行为识别方法及系统,所述方法具体包括:选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,选出各自的人体行为特征集并组合形成一个初始化特征集;在初始化特征集中,按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集;基于重组后的特征集,采用分类算法进行人体行为识别,计算各类人体行为的识别准确率。本发明进一步保证了人体行为识别的准确率,可广泛应用于人机交互等领域。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于特征重组的人体行为识别方法,其特征在于,所述人体行为识别方法包括以下步骤:
S1、选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,将选出的各自的人体行为特征集组合形成一个初始化特征集;
S2、在初始化特征集中,按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集New_Features;
S3、基于重组后的特征集New_Features,采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。
2.根据权利要求1所述的一种基于特征重组的人体行为识别方法,其特征在于,所述步骤S1包括:
S11、选用特征选择方法对人体行为数据进行特征选择,形成各自的人体行为特征集,表示为Features(F(i),Data_train),其中F(i)表示第i种特征选择方法,Data_train表示人体行为训练数据集,所述特征选择方法包括方差分析过滤式、互信息过滤式、包裹式及嵌入式特征选择方法中一种或多种;
S12、将所选方法所选择的特征集组合初始化为一个特征集合,表示为Total={Features(F(i),Data_train)}。
3.根据权利要求1所述的一种基于特征重组的人体行为识别方法,其特征在于,所述步骤S2包括:
S21、在初始化特征集中,统计各个特征的出现频率,表示为Frequency(Feature[i]),其中Feature[i]表示第i个特征,并划分为高频特征集和低频特征集,分别表示为High_Freq={Feature[i]|Frequency(Feature[i])≥Frequency(threshold)}和Low_Freq={Feature[i]|Frequency(Feature[i])<Frequency(threshold)},其中,Frequency(threshold)表示特征出现频率的阈值;
S22、高频特征将作为人体行为识别阶段的必选特征,对于低频特征,首先采用随机遍历选择策略从Low_Freq中选择m≥0个低频特征,表示为Random(m)={Feature[i]|Feature[i]∈Low_Freq},然后采用再插入机制将Random(m)与高频特征集High_Freq重组形成新的特征集,表示为New_Features=High_Freq∪Random(m),如果基于New_Features无法达到期望的人体行为识别准确率的要求,即,Accuracy<Accuracy(threshold),其中Accuracy表示采用分类算法后所计算得到的人体行为识别准确率,Accuracy(threshold)表示所期望的人体行为识别准确率,则在m的基础上再随机遍历选择并增加1个新的低频特征,再插入到高频特征集中重组形成新的特征集New_Features,直至达到期望的人体行为识别准确率,即,Accuracy≥Accuracy(threshold)。
4.根据权利要求1所述的一种基于特征重组的人体行为识别方法,其特征在于,所述步骤S3过程如下:
基于重组后的特征集New_Features,采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。
5.一种基于特征重组的人体行为识别系统,其特征在于,所述人体行为识别系统包括:
初始化人体行为特征集模块(100),用于选用过滤式、包裹式和/或嵌入式特征选择方法对人体行为数据进行特征选择,将选出的各自的人体行为特征集组合形成一个初始化特征集;
特征重组模块(200),用于在初始化特征集中,按特征出现频率将特征划分为高频特征和低频特征,并对低频特征进行随机选择与高频特征重组形成新的特征集New_Features;
人体行为识别模块(300),用于基于重组后的特征集New_Features,采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。
6.根据权利要求5所述的一种基于特征重组的人体行为识别系统,其特征在于,所述初始化人体行为特征集模块(100)具体包括:
人体行为初始化特征集构建单元,用于选用特征选择方法对人体行为数据进行特征选择,形成各自的人体行为特征集,表示为Features(F(i),Data_train),其中F(i)表示第i种特征选择方法,Data_train表示人体行为训练数据集,所述特征选择方法包括方差分析过滤式、互信息过滤式、包裹式及嵌入式特征选择方法中一种或多种;将所选方法所选择的特征集组合初始化为一个特征集合,表示为Total={Features(F(i),Data_train)}。
7.根据权利要求5所述的一种基于特征重组的人体行为识别系统,其特征在于,所述特征重组模块(200)具体包括:
人体行为特征重组单元,用于在初始化特征集中,统计各个特征的出现频率,表示为Frequency(Feature[i]),其中Feature[i]表示第i个特征,并划分为高频特征集和低频特征集,分别表示为High_Freq={Feature[i]|Frequency(Feature[i])≥Frequency(threshold)}和Low_Freq={Feature[i]|Frequency(Feature[i])<Frequency(threshold)},其中,Frequency(threshold)表示特征出现频率的阈值;
高频特征将作为人体行为识别阶段的必选特征,对于低频特征,首先采用随机遍历选择策略从Low_Freq中选择m≥0个低频特征,表示为Random(m)={Feature[i]|Feature[i]∈Low_Freq},然后采用再插入机制将Random(m)与高频特征集High_Freq重组形成新的特征集,表示为New_Features=High_Freq∪Random(m),如果基于New_Features无法达到期望的人体行为识别准确率的要求,即,Accuracy<Accuracy(threshold),其中Accuracy表示采用分类算法后所计算得到的人体行为识别准确率,Accuracy(threshold)表示所期望的人体行为识别准确率,则在m的基础上再随机遍历选择并增加1个新的低频特征,再插入到高频特征集中重组形成新的特征集New_Features,直至达到期望的人体行为识别准确率,即,Accuracy≥Accuracy(threshold)。
8.根据权利要求5所述的一种基于特征重组的人体行为识别系统,其特征在于,所述人体行为识别模块(300)具体包括:
人体行为识别单元,用于基于重组后的特征集New_Features,采用分类算法进行人体行为识别,并计算各类人体行为的识别准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079040.2A CN109784418B (zh) | 2019-01-28 | 2019-01-28 | 一种基于特征重组的人体行为识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079040.2A CN109784418B (zh) | 2019-01-28 | 2019-01-28 | 一种基于特征重组的人体行为识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784418A CN109784418A (zh) | 2019-05-21 |
CN109784418B true CN109784418B (zh) | 2020-11-17 |
Family
ID=66502606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910079040.2A Active CN109784418B (zh) | 2019-01-28 | 2019-01-28 | 一种基于特征重组的人体行为识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784418B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852184A (zh) * | 2019-10-18 | 2020-02-28 | 广东工业大学 | 一种基于人体行为识别的统一特征选择系统 |
CN111626197B (zh) * | 2020-05-27 | 2023-03-10 | 陕西理工大学 | 一种基于人体行为识别网络模型的识别方法 |
CN112949460B (zh) * | 2021-02-26 | 2024-02-13 | 陕西理工大学 | 一种基于视频的人体行为网络模型及识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9060714B2 (en) * | 2008-12-04 | 2015-06-23 | The Regents Of The University Of California | System for detection of body motion |
CN104965867A (zh) * | 2015-06-08 | 2015-10-07 | 南京师范大学 | 基于chi特征选取的文本事件分类方法 |
CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
CN108319987A (zh) * | 2018-02-20 | 2018-07-24 | 东北电力大学 | 一种基于支持向量机的过滤-封装式组合流量特征选择方法 |
CN109086698A (zh) * | 2018-07-20 | 2018-12-25 | 大连理工大学 | 一种基于多传感器数据融合的人体动作识别方法 |
CN109145706A (zh) * | 2018-06-19 | 2019-01-04 | 徐州医科大学 | 一种用于振动信号分析的敏感特征选取与降维方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324288B (zh) * | 2013-06-21 | 2017-11-17 | 武汉纺织大学 | 一种组合传感器识别人体动作的系统及方法 |
CN106859617A (zh) * | 2017-03-01 | 2017-06-20 | 浙江大学 | 一种穿戴式多生命体征参数采集设备及其参数提取方法 |
CN108596253A (zh) * | 2018-04-25 | 2018-09-28 | 常州大学 | 一种基于步行加速度信息分割的人员识别方法 |
CN109086667A (zh) * | 2018-07-02 | 2018-12-25 | 南京邮电大学 | 基于智能终端的相似活动识别方法 |
-
2019
- 2019-01-28 CN CN201910079040.2A patent/CN109784418B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9060714B2 (en) * | 2008-12-04 | 2015-06-23 | The Regents Of The University Of California | System for detection of body motion |
CN104965867A (zh) * | 2015-06-08 | 2015-10-07 | 南京师范大学 | 基于chi特征选取的文本事件分类方法 |
CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
CN108319987A (zh) * | 2018-02-20 | 2018-07-24 | 东北电力大学 | 一种基于支持向量机的过滤-封装式组合流量特征选择方法 |
CN109145706A (zh) * | 2018-06-19 | 2019-01-04 | 徐州医科大学 | 一种用于振动信号分析的敏感特征选取与降维方法 |
CN109086698A (zh) * | 2018-07-20 | 2018-12-25 | 大连理工大学 | 一种基于多传感器数据融合的人体动作识别方法 |
Non-Patent Citations (2)
Title |
---|
"Power-Aware Computing in Wearable Sensor Networks: An Optimal Feature Selection";Hassan Ghasemzadeh等;《IEEE Transactions on Mobile Computing》;20140619;800-812 * |
"基于惯性传感器数据的人体日常动作识别研究";武东辉;《中国博士学位论文全文数据库 信息科技辑》;20170815;正文8-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109784418A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784418B (zh) | 一种基于特征重组的人体行为识别方法及系统 | |
Oh et al. | Blind deep S3D image quality evaluation via local to global feature aggregation | |
Zhang et al. | Random Gabor based templates for facial expression recognition in images with facial occlusion | |
CN108986041A (zh) | 一种图像恢复方法、装置、电子设备及可读存储介质 | |
CN109886068B (zh) | 基于运动数据的动作行为识别方法 | |
CN105718848B (zh) | 一种指纹图像的质量评估方法及装置 | |
CN110378301B (zh) | 行人重识别方法及系统 | |
CN107239684A (zh) | 一种用于ecg身份识别的特征学习方法和系统 | |
CN108814618A (zh) | 一种运动状态的识别方法、装置及终端设备 | |
CN108229262A (zh) | 一种色情视频检测方法及装置 | |
CN104732509A (zh) | 自适应图像分割方法和设备 | |
CN108921111A (zh) | 对象检测后处理方法及对应装置 | |
Gonçalves et al. | Texture descriptor based on partially self-avoiding deterministic walker on networks | |
CN108717520A (zh) | 一种行人重识别方法及装置 | |
CN106503631A (zh) | 一种人群分析方法及计算机设备 | |
CN111626303B (zh) | 性别和年龄的识别方法、装置、存储介质及服务器 | |
Lara-Cueva et al. | On the use of multi-class support vector machines for classification of seismic signals at Cotopaxi volcano | |
CN112634246A (zh) | 一种口腔图像识别方法及相关设备 | |
CN111931707A (zh) | 基于对抗补丁的人脸图像预测方法、装置、设备和介质 | |
CN116311539A (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
CN114743273A (zh) | 基于多尺度残差图卷积网络的人体骨骼行为识别方法及系统 | |
CN113793620A (zh) | 基于场景分类的语音降噪方法、装置、设备及存储介质 | |
CN104376311A (zh) | 一种基于核贝叶斯压缩感知的人脸识别方法 | |
CN102013101A (zh) | 一种经过模糊后处理的置换篡改图像盲检测方法 | |
CN116151965B (zh) | 一种风险特征提取方法、装置、电子设备及存储介质 |
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 |