用于行为识别稀疏表示的分类方法研究

摘要

近几年来，在智能家居的领域中行为识别技术逐渐成为学者们研究的热点。一个良好的特征提取方法在行为识别中扮演着重要的角色。在现今的行为识别研究中，主要的难点在于:人类行为的时序性，即在人们表现出的同种行为中，不同时间段之间的先后顺序与潜在的关联;人类相似行为之间的敏感性，由于许多不同行为之间具有相似的片段;人类行为的复杂性，对于同一种行为具有不同的表现方式。本文研究稀疏表示行为识别的根本目的在于:加强模型对于特征向量的表达能力，从而使框架能够更加准确地进行识别。
　　纵观现如今提出的主流特征提取方法，其中大多数方法对于行为潜在规律挖掘得不足，导致提取出的特征表达能力较弱。而且，这些特征中涉及过多重复性的传感器事件信息，使得特征冗余性很强。此外，这些模型对于不同智能家居的环境的通用性不强。
　　为了解决这些行为的时序性与复杂性等难题，本文首先提出了基于特征提取的日常行为识别方法，使用粗糙集挖掘行为特征之间的规律，目的在于提取出行为中更多的信息，进而提高行为的表达能力。其次，本文通过连续型数的据特征提取行为识别方法，将特征提取方法应用到连续型数据中，使连续型数据进行离散化处理，将动作原语对作为特征，使连续型数据更加具有实际意义。最后，本文提出了基于稀疏表示字典训练的行为识别方法，旨在改善不同行为之间的敏感性，使行为能够更加准确的选择相应的字典。通过针对这三种行为识别方法的仿真实验，我们取得了良好的研究成果，印证了算法的有效性。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．2 研究内容

1．3 论文结构

第2章 行为识别技术概述

2．1 基于传感器的特征提取方法

2．1．1 原始数据采集

2．1．2 静态窗口划分方法

2．1．3 动态窗口划分方法

2．2 基于视觉的特征提取方法

2．2．1 二维特征提取

2．2．2 三维特征提取

2．3 行为模型训练与识别方法

2．3．1 朴素贝叶斯

2．3．2 隐马尔可夫

2．3．3 卷积神经网络

2．3．4 稀疏表示

2．4 本章小结

第3章 基于特征提取的日常行为识别方法

3．1 系统框架

3．2 规则提取算法

3．2．1 预备知识

3．3 模型的训练与行为识别

3．3．1 模型的构建

3．3．2 规则置信度计算

3．4 实验对比分析

3．4．1 实验设定

3．4．2 评价标准

3．4．3 实验结果

3．4．4 讨论

3．5 本章小结

第4章 连续型数据的特征提取及其行为识别方法

4．1 系统框架

4．2 行为特征提取

4．2．1 行为特征对比

4．2．2 特征提取动作原语对

4．3 实验对比分析

4．3．1 实验设计

4．3．2 实验结果分析

4．4 本章小结

第5章 基于稀疏表示字典训练的日常行为识别方法

5．1 算法流程

5．2 字典训练与稀疏编码

5．2．1 预备知识

5．2．2 K-SVD算法

5．3 MP匹配追踪算法

5．4 实验对比与分析

5．4．1 评价标准

5．4．2 参数选择实验

5．4．3 行为标签识别

5．4．4 讨论

5．5 本章小结

第6章 结论与展望

6．1 结论

6．2 展望

参考文献

攻读学位期间公开发表的学术论文

致谢