留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

单传感器数据驱动的人体日常短时行为识别方法

苏本跃 郑丹丹 汤庆丰 盛敏

苏本跃, 郑丹丹, 汤庆丰, 盛敏. 单传感器数据驱动的人体日常短时行为识别方法[J]. 红外与激光工程, 2019, 48(2): 226003-0226003(9). doi: 10.3788/IRLA201948.0226003
引用本文: 苏本跃, 郑丹丹, 汤庆丰, 盛敏. 单传感器数据驱动的人体日常短时行为识别方法[J]. 红外与激光工程, 2019, 48(2): 226003-0226003(9). doi: 10.3788/IRLA201948.0226003
Su Benyue, Zheng Dandan, Tang Qingfeng, Sheng Min. Human daily short-time activity recognition method driven by single sensor data[J]. Infrared and Laser Engineering, 2019, 48(2): 226003-0226003(9). doi: 10.3788/IRLA201948.0226003
Citation: Su Benyue, Zheng Dandan, Tang Qingfeng, Sheng Min. Human daily short-time activity recognition method driven by single sensor data[J]. Infrared and Laser Engineering, 2019, 48(2): 226003-0226003(9). doi: 10.3788/IRLA201948.0226003

单传感器数据驱动的人体日常短时行为识别方法

doi: 10.3788/IRLA201948.0226003
基金项目: 

国家自然科学基金(61603003,11471093);教育部"云数融合科教创新"基金(2017A09116);安徽省高校优秀拔尖人才培育资助项目(gxbjZD26)

详细信息
    作者简介:

    苏本跃(1971-),男,教授,博士,主要从事机器学习、图形、图像处理等方面的研究。Email:subenyue@sohu.com

  • 中图分类号: TP181

Human daily short-time activity recognition method driven by single sensor data

  • 摘要: 在基于惯性传感器的人体行为识别研究中,特征提取是其中的关键环节之一。而离散数据统计特征的稳定性依赖于特征提取的窗口大小。一般来说,训练数据的窗口长度需要大于一个运动周期。因此,针对测试数据远小于一个运动周期的短序列样本识别问题,提出了一种基于模板匹配的新的解决方案。首先,通过适当分割训练数据的长序列样本,构建一个过完备的短时行为模板库,将待测短时样本与模板库中样本进行一致化处理并进行匹配;其次,在匹配算法中,采用样本间的F范数与整体梯度向量的2范数累加作为匹配度量准则,得到相似度直方图;最后,基于相似度直方图,根据投票策略得到最终分类识别结果。实验表明:在使用单传感器识别短时行为的情况下,新算法比传统算法在精度和稳定性上具有更好的性能,并能适应不同窗口下短时行为分类问题。
  • [1] Poppe R. A survey on vision-based human action recognition[J]. Image Vision Computing, 2010, 28(6):976-990.
    [2] Wang J, Liu Z, Wu Y, et al. Learning actionlet ensemble for 3D human action recognition[J]. IEEE Transactions on Pattern Analysis Mchine Intelligence, 2014, 36(5):914-927.
    [3] Bulling A, Blanke U, Schiele B. A tutorial on human activity recognition using body-worn inertial sensors[J]. Acm Computing Surveys, 2014, 46(3):1-33.
    [4] Lara O D, Labrador M A. A survey on human activity recognition using wearable sensors[J]. IEEE Communications Surveys Tutorials, 2013, 15(3):1192-1209.
    [5] Yang J, Wang S, Chen N, et al. Wearable accelerometer based extendable activity recognition system[C]//IEEE International Conference on Robotics and Automation. Piscataway, 2010:3641-3647.
    [6] Davis K, Owusu E, Bastani V, et al. Activity recognition based on inertial sensors for ambient assisted living[C]//International Conference on Information Fusion, 2016:371-378.
    [7] Su B, Tang Q F, Jiang J, et al, A novel method for short-time human activity recognition based on improved template matching technique[C]//ACM SIGGRAPH Conference on Virtual-Reality Continuum and Its Applications in Industry, 2016:233-242.
    [8] Li L J, Su H, Lim Y, et al. Object bank:An object-level image representation for high-level visual recognition[J]. International Journal of Computer Vision, 2014, 107(1):20-39.
    [9] Sadanand S, Corso J J. Action bank:A high-level representation of activity in video[C]//Computer Vision and Pattern Recognition(CVPR), 2012:1234-1241.
    [10] Liu Z J, Lin W, Geng Y L, et al. Intent pattern recognition of lower-limb motion based on mechanical sensors[J]. Journal of Automatica Sinica, 2017, 4(4):651-660.
    [11] Young A J, Simon A M, Hargrove L J. A training method for locomotion mode prediction using powered lower limb prostheses[J]. IEEE Transactions on Neural Systems Rehabilitation Engineering, 2014, 22(3):671-677.
    [12] Young A J, Simon A M, Fey N P, et al. Intent recognition in a powered lower limb prosthesis using time history information[J]. Annals of Biomedical Engineering, 2014, 42(3):631-641.
    [13] Yuan K B, Wang Q N, Wang L. Fuzzy-logic-based terrain identification with multisensor fusion for transtibial amputees[J]. IEEE/ASME Transactions on Mechatronics, 2015, 20(2):618-630
    [14] Zheng E H, Wang Q N. Noncontact capacitive sensing-based locomotion transition recognition for amputees with robotic transtibial prostheses[J]. IEEE Transactions on Neural Systems Rehabilitation Engineering, 2016, 25(2):161-170.
    [15] Yang A Y, Jafari R, Sastry S S, et al. Distributed recognition of human actions using wearable motion sensor networks[J]. Journal of Ambient Intelligence Smart Environments, 2009, 1(2):103-115.
    [16] Su B, Tang Q, Wang G, et al. Transactions on Edutainment XⅡ:The Recognition of Human Daily Actions With Wearable Motion Sensor System[M]. Germany:Springer, 2016:68-77.
    [17] He W, Guo Y, Gao C, et al. Recognition of human activities with wearable sensors[J]. Eurasip Journal on Advances in Signal Processing, 2012, 2012(1):1-13.
    [18] Xiao L. Li R F, Luo J. Recognition on human activity based on compressed sensing in body sensor networks[J]. Journal of Electronics Information Technology, 2013, 35(1):119-125.
    [19] Li F, Pan J K. Human motion recognition based on triaxial accelerometer[J]. Journal of Computer Research and Development, 2016, 53(3):621-631.
    [20] Sheng M, Jiang J, Su B, et al. Short-time activity recognition with wearable sensors using convolutional neural network[C]//Proceedings of the 15th ACM SIGGRAPH Conference on Virtual-Reality Continuum and Its Applications in Industry, 2016:413-416.
  • [1] 孙敬波, 季节.  视频监控下利用记忆力增强自编码的行人异常行为检测 . 红外与激光工程, 2022, 51(6): 20210680-1-20210680-7. doi: 10.3788/IRLA20210680
    [2] 乌日娜, 宋云鹤, 卢佳琦, 高芮, 李业秋, 岱钦.  光子晶体光纤载体中液晶随机激光辐射行为 . 红外与激光工程, 2021, 50(4): 20200171-1-20200171-6. doi: 10.3788/IRLA20200171
    [3] 彭进, 王星星, 许红巧, 杨嘉佳, 张芙蓉.  熔滴填充位置对激光焊接熔池动态行为的影响 . 红外与激光工程, 2020, 49(6): 20200025-1-20200025-8. doi: 10.3788/IRLA20200025
    [4] 苏李, 张晓彤, 吕沛桐, 孙铭阳, 王成虎, 陈晨, 张天瑜.  大量程高灵敏度的光纤光栅低频振动传感器研究 . 红外与激光工程, 2020, 49(S2): 20200340-20200340. doi: 10.3788/IRLA20200340
    [5] 刘舒扬, 张晨, 赵安娜, 李奇峰, 贾晓东.  基于光谱特性的高判别准确度激光近场探测传感器研究 . 红外与激光工程, 2020, 49(4): 0403009-0403009-5. doi: 10.3788/IRLA202049.0403009
    [6] 裴晓敏, 范慧杰, 唐延东.  多通道时空融合网络双人交互行为识别 . 红外与激光工程, 2020, 49(5): 20190552-20190552-6. doi: 10.3788/IRLA20190552
    [7] 王向军, 郭志翼.  算力限制平台下的长时目标跟踪 . 红外与激光工程, 2020, 49(1): 0126003-0126003(6). doi: 10.3788/IRLA202049.0126003
    [8] 卢瑞涛, 任世杰, 申璐榕, 杨小冈.  基于稀疏表示多子模板的鲁棒目标跟踪算法 . 红外与激光工程, 2019, 48(3): 326003-0326003(8). doi: 10.3788/IRLA201948.0326003
    [9] 裴晓敏, 范慧杰, 唐延东.  时空特征融合深度学习网络人体行为识别方法 . 红外与激光工程, 2018, 47(2): 203007-0203007(6). doi: 10.3788/IRLA201847.0203007
    [10] 安佳, 王永杰, 李芳, 刘元辉, 彭丹丹.  采用聚酰胺酸层的高灵敏度长周期光纤光栅温度传感器 . 红外与激光工程, 2018, 47(8): 822002-0822002(7). doi: 10.3788/IRLA201847.0822002
    [11] 张法业, 姜明顺, 隋青美, 张雷, 曹玉强, 马国文, 魏钧涛.  基于柔性铰链结构的高灵敏度低频光纤光栅加速度传感器 . 红外与激光工程, 2017, 46(3): 317004-0317004(8). doi: 10.3788/IRLA201746.0317004
    [12] 朱南南, 张骏.  表面粗糙度激光散射检测的多波长光纤传感器 . 红外与激光工程, 2016, 45(5): 522003-0522003(6). doi: 10.3788/IRLA201645.0522003
    [13] 王鹏, 娄淑琴, 梁生, 张颜.  选择性平均的φ-OTDR分布式光纤扰动传感系统阈值算法 . 红外与激光工程, 2016, 45(3): 322003-0322003(6). doi: 10.3788/IRLA201645.0322003
    [14] 武超群, 李梅, 周璐春.  哈特曼传感器仿真平台设计 . 红外与激光工程, 2015, 44(2): 567-571.
    [15] 李志军, 刘松林, 牛照东, 陈曾平.  基于梯度相位和显著性约束的Hausdorff 距离模板匹配方法 . 红外与激光工程, 2015, 44(2): 775-780.
    [16] 何帆, 白剑, 侯西云.  基于模板匹配的莫尔条纹倾角计算 . 红外与激光工程, 2015, 44(9): 2825-2830.
    [17] 戴士杰, 邵猛, 吴佳宁, 葛圣强.  使用12像素对称模板的棋盘格内角点检测 . 红外与激光工程, 2014, 43(4): 1306-1311.
    [18] 郭敬明, 何昕, 杨杰, 魏仲慧, 龚俊亮.  模板自适应的Mean Shift红外目标跟踪 . 红外与激光工程, 2014, 43(4): 1087-1093.
    [19] 汪鲁才, 易锡年, 陈小天, 刘鑫.  自适应连续多级分区与初始阈值估计的快速模板匹配方法 . 红外与激光工程, 2013, 42(4): 1106-1111.
    [20] 吴晓.  LED芯片粗精定位系统 . 红外与激光工程, 2013, 42(9): 2478-2484.
  • 加载中
计量
  • 文章访问数:  341
  • HTML全文浏览量:  47
  • PDF下载量:  57
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-09-10
  • 修回日期:  2018-10-20
  • 刊出日期:  2019-02-25

单传感器数据驱动的人体日常短时行为识别方法

doi: 10.3788/IRLA201948.0226003
    作者简介:

    苏本跃(1971-),男,教授,博士,主要从事机器学习、图形、图像处理等方面的研究。Email:subenyue@sohu.com

基金项目:

国家自然科学基金(61603003,11471093);教育部"云数融合科教创新"基金(2017A09116);安徽省高校优秀拔尖人才培育资助项目(gxbjZD26)

  • 中图分类号: TP181

摘要: 在基于惯性传感器的人体行为识别研究中,特征提取是其中的关键环节之一。而离散数据统计特征的稳定性依赖于特征提取的窗口大小。一般来说,训练数据的窗口长度需要大于一个运动周期。因此,针对测试数据远小于一个运动周期的短序列样本识别问题,提出了一种基于模板匹配的新的解决方案。首先,通过适当分割训练数据的长序列样本,构建一个过完备的短时行为模板库,将待测短时样本与模板库中样本进行一致化处理并进行匹配;其次,在匹配算法中,采用样本间的F范数与整体梯度向量的2范数累加作为匹配度量准则,得到相似度直方图;最后,基于相似度直方图,根据投票策略得到最终分类识别结果。实验表明:在使用单传感器识别短时行为的情况下,新算法比传统算法在精度和稳定性上具有更好的性能,并能适应不同窗口下短时行为分类问题。

English Abstract

参考文献 (20)

目录

    /

    返回文章
    返回