[发明专利]一种基于子空间分类器的人体行为识别方法

说明书

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。

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；