人体行为识别方法技术

本发明专利技术的人体行为识别方法，其主要是通过人体腰部佩戴的加速度采集器采集一定的采样周期内的人体腰部加速度信息，据采集到的人体腰部加速度数据产生行为分类隶属度矩阵并分析出人体行为类别。其需要采集数据量小，采集过程简单方便，行为类别与数量均可根据适当的环境与场合任意增加或减少，大大增加了本方法的灵活性与实用性，而且本发明专利技术分析方法简便，分类效率高，准确率高，可实现大量测试人群同时分析，分析结果保存在数据库中，便于观察者查看，可用于教学、医学、安全、人机交互等多个领域和场合，以实现不同的人体行为识别分类目的。

【技术实现步骤摘要】

本专利技术属于智能信息处理
，具体涉及一种基于模糊数学的基本思想产生行为分类模型并分析出人体行为类别的识别方法。
技术介绍
对人类自身行为的分析与理解在教学、医学、安全、人机交互等领域都有巨大的应用价值和重要的研究意义。如在教学领域，通过分析学生课堂的行为，有助于提高学生的学习质量；在医学领域，通过对病人的行为分析，可以为医学诊断和治疗提供支持，从而做出积极有效的治疗；在安全领域，通过对异常人体行为的分析，可以有效避免异常情况发生。国内外对人体行为的识别方法主要有图像分析方法和加速度分析方法。图像分析方法主要通过对人体行为进行图像采集，然后通过图像处理技术分析人体的行为。这种方法能有效的分析出人体的行为，但是图像分析在处理时，数据量较大，算法比较复杂，而且不便于采集图像信息。采用加速度分析方法则可以有效避免上述缺点。目前，国内外已经出现一些利用加速度信号分析进行人体行为识别的相关理论和方法，如基于加速度的手语识别方法，基于加速度的人体跌倒检测等。而现有的这些分析方法通常存在以下不足第一，现有的基于加速度往往需要采集人体脖颈、四肢等各个关节的加速度数据进行分析，不仅采集不便，而且系统复杂，数据计算量较大。第二，从分析结果来讲，现有的方法仅能实现某一特定用途的人体行为分析，例如监测人体是否跌倒、根据手指的加速度监测手语的类别等等，无法通用地分析人体的多种行为从而应用于多种场合。因此，如何在保证分析正确率的前提下设计一种算法简便，所需数据量小，分析效率高，方便测试者使用且能应用于多种场合的人体行为识别分析方法是需要解决的技术难题。
技术实现思路
本专利技术的目的是克服现有技术中的人体行为识别分析方法所存在的不足，提供了一种能够通过采集获得的人体腰部运动的三维加速度传感器信息进行处理，进而高效、准确地分析出人体行为类别的。本专利技术解决上述技术问题的技术方案包括以下步骤(I)确定行为分类标准预先设定m类行为类别，m取正整数，采集每个行为类别在x、y、z方向上所对应的加速度值，根据采集的加速度值计算出每个行为类别所对应的X方向加速度样本方差平均值石、y方向加速度样本方差平均值、Z方向上的加速度样本方差平均值;^以及SVM的样本方差平均值^^ ,每个行为类别所对应的、Sx, Sy,石构成列向量评价因子集，m类行为类别形成m个列向量& ^石『，形成分类标准值矩阵B，分类标准值矩阵B中每个单独的数据均是评价因子相对于其相应的行为类别时的标准值；上述SVM是人体加速度向量幅值，SKM = ^a2x + aj + a2z，其中ax、ay、az分别为x、y、z方向的加速度；(2)排列分类标准值矩阵B将分类标准值矩阵B中的每一行进行从小到大排列，保存重新排序后每一行所对应的行为类别顺序；(3)信息采集·将采集到的人体腰部加速度信息划分为η个采样周期，η取正整数；(4)确定分类评价因子根据步骤(3)所采集的加速度信息计算出每个采样周期中在X方向、y方向和ζ方向上加速度对应的样本方差Sx、Sy、Sz以及人体加速度向量幅值的样本方差Ssvm，并将每个采样周期中的样本方差数据Ssvm、Sx、Sy、Sz构成列向量评价因子集，η个采样周期形成η个列向量Saaww : T, η个列向量Si构成矩阵S ；(5)计算出各评价因子针对不同行为类别的隶属度值计算出步骤(4)的矩阵S的每个采样周期中的各评价因子的隶属度值，隶属度值函数为权利要求1.一种，其特征在于包括以下步骤 (1)确定行为分类标准 预先设定m类行为类别，m取正整数，采集每个行为类别在x、y、z方向上所对应的加速度值，根据采集的加速度值计算出每个行为类别所对应的X方向加速度样本方差平均值~Sx、y方向加速度样本方差平均值ii" Z方向上的加速度样本方差平均值;^以及SVM的样本方差平均值^^，每个行为类别所对应的:^■、石构成列向量评价因子集，m类行为类别形成m个列向量S行为类别2.根据权利要求I所述的，其特征在于所述步骤(7)之后包括步骤(8)，具体是重复步骤(I)至(7)，得出测试者在所有采样周期内的行为类别。3.根据权利要求I或2所述的，其特征在于所述的行为类别分为静止、腿部抖动、左右扭动、左右摆动、起立坐下或者分为静止、走路、跑步、上楼、下楼。4.根据权利要求I所述的，其特征在于所述步骤(7)中评价因子权值矩阵W采用变异系数法确定，各项因子的变异系数公式如下全文摘要本专利技术的，其主要是通过人体腰部佩戴的加速度采集器采集一定的采样周期内的人体腰部加速度信息，据采集到的人体腰部加速度数据产生行为分类隶属度矩阵并分析出人体行为类别。其需要采集数据量小，采集过程简单方便，行为类别与数量均可根据适当的环境与场合任意增加或减少，大大增加了本方法的灵活性与实用性，而且本专利技术分析方法简便，分类效率高，准确率高，可实现大量测试人群同时分析，分析结果保存在数据库中，便于观察者查看，可用于教学、医学、安全、人机交互等多个领域和场合，以实现不同的人体行为识别分类目的。文档编号G06F17/30GK102855321SQ20121033013公开日2013年1月2日 申请日期2012年9月7日 优先权日2012年9月7日专利技术者吴晓军, 马悦 申请人:陕西师范大学本文档来自技高网...

【技术保护点】
一种人体行为识别方法，其特征在于包括以下步骤：（1）确定行为分类标准预先设定m类行为类别，m取正整数，采集每个行为类别在x、y、z方向上所对应的加速度值，根据采集的加速度值计算出每个行为类别所对应的x方向加速度样本方差平均值y方向加速度样本方差平均值z方向上的加速度样本方差平均值以及SVM的样本方差平均值每个行为类别所对应的构成列向量评价因子集，m类行为类别形成m个列向量S行为类别:Ssvm‾Sx‾Sy‾Sz‾T,形成分类标准值矩阵B，分类标准值矩阵B中每个单独的数据均是评价因子相对于其相应的行为类别时的标准值；上述SVM是人体加速度向量幅值，其中ax、ay、az分别为x、y、z方向的加速度；（2）排列分类标准值矩阵B将分类标准值矩阵B中的每一行进行从小到大排列，保存重新排序后每一行所对应的行为类别顺序；（3）信息采集将采集到的人体腰部加速度信息划分为n个采样周期，n取正整数；（4）确定分类评价因子根据步骤（3）所采集的加速度信息计算出每个采样周期中在x方向、y方向和z方向上加速度对应的样本方差Sx、Sy、Sz以及人体加速度向量幅值的样本方差Ssvm，并将每个采样周期中的样本方差数据Ssvm、Sx、Sy、Sz构成列向量评价因子集，n个采样周期形成n个列向量 S采样周期:[Ssvm？Sx？Sy？Sz]T，n个列向量Si构成矩阵S；（5）计算出各评价因子针对不同行为类别的隶属度值计算出步骤（4）的矩阵S的每个采样周期中的各评价因子的隶属度值，隶属度值函数为：式（1）中，x为矩阵S每个采样周期中的评价因子值，A为系数，0.5＝A|(ai+ai+1)/2？ai+1|，ai和ai+1分别是步骤（1）的分类标准值矩阵B中的任意一行按照从小到大重新排列后该行中相邻的两个值，amin和amax分别代表该行中的最小值和最大值；当x≤amin时，U(x)=1，表示x对于amin的隶属度为1，对于其它ai的隶属度为0；当x≥amax时，U(x)=1，表示x对于amax的隶属度为1，对于其它ai的隶属度为0；当x落在区间[ai,ai+1]内时，U(x)＝A|x？ai+1|表示x对于ai的隶属度值，1？U(x)表示x对于ai+1的隶属度值，x对于其他aj（amax＞aj＞amin，aj≠ai,aj≠ai+1）的隶属度为0；（6）建立模糊关系矩阵R以Ssvm、Sx、Sy、Sz评价因子对应于不同行为类别的隶属度值为行，行为类别为列，建立每个采样周期对应的模糊关系矩阵R；（7）确定行为类别利用步骤（6）中的模糊关系矩阵R，对每个采样周期中的数据进行分类，U＝W×R？？？？？？？？（2）式中，W为1行K列的评价因子权值矩阵，权值之和为1，K为评价因子的个数；U为一个1行m列的矩阵，每一列的数值对应于隶属各行为类别的概率；根据最大隶属度原则，通过比较U中的数值，选取最大值作为每个采样周期所对应的行为类别，得到每个采样周期内的行为类别的结果并记录在数据库中。FDA00002113942900011.jpg,FDA00002113942900012.jpg,FDA00002113942900013.jpg,FDA00002113942900014.jpg,FDA00002113942900015.jpg,FDA00002113942900017.jpg,FDA00002113942900021.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：吴晓军，马悦，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：