本發(fā)明涉及行為提取技術(shù)，具體涉及一種基于最佳檢測(cè)門(mén)限的行為提取方法。

背景技術(shù)：

隨著二十一世紀(jì)科學(xué)技術(shù)的飛速發(fā)展和計(jì)算機(jī)設(shè)備的普及，人機(jī)交互技術(shù)(humancomputerinteraction,hci)已經(jīng)成為眾多國(guó)家重點(diǎn)關(guān)注和研究的對(duì)象。所謂人機(jī)交互，是指用戶與計(jì)算機(jī)設(shè)備之間通過(guò)電腦硬件、行為動(dòng)作、聲音等預(yù)先指定好的交互方式，去完成指定的任務(wù)從而產(chǎn)生信息交換的過(guò)程。人體行為識(shí)別作為其重要的研究領(lǐng)域，對(duì)人機(jī)交互技術(shù)的發(fā)展有非常重大的作用，對(duì)改善人類的生產(chǎn)生活有著巨大的意義。傳統(tǒng)的人體行為識(shí)別技術(shù)，一般都需要攜帶專用設(shè)備，例如，基于計(jì)算機(jī)視覺(jué)的人體行為識(shí)別，基于雷達(dá)的人體行為識(shí)別，基于可穿戴式傳感器設(shè)備的人體行為識(shí)別。基于計(jì)算機(jī)視覺(jué)的人體行為識(shí)別技術(shù)主要通過(guò)攝像頭等拍攝設(shè)備獲取監(jiān)控區(qū)域內(nèi)的視頻或照片信息，對(duì)監(jiān)測(cè)目標(biāo)(主要是人)的關(guān)鍵部位進(jìn)行檢測(cè)與跟蹤，并將這些部位所處的姿態(tài)參數(shù)化，從而判別出人體當(dāng)前的行為。然而基于計(jì)算機(jī)視覺(jué)的人體行為識(shí)別技術(shù)只能在光線比較充足的環(huán)境下運(yùn)作，在夜晚和昏暗的地方識(shí)別準(zhǔn)確率很低。此外，攝像頭必須在視距范圍內(nèi)才能工作，且視頻監(jiān)測(cè)涉及個(gè)人的隱私問(wèn)題，在一定程度上限制了其應(yīng)用?；诶走_(dá)的人體行為識(shí)別技術(shù)是采用60ghz的雷達(dá)設(shè)備對(duì)人體當(dāng)前的行為姿態(tài)進(jìn)行采集，其精度高，但是作用范圍僅10cm，且設(shè)備極其昂貴，無(wú)法普及應(yīng)用?；诳纱┐鱾鞲衅髟O(shè)備的人體行為識(shí)別技術(shù)通過(guò)人身上穿戴的傳感器設(shè)備獲取使用者目前的行為，這種技術(shù)造成使用者的不方便。這些技術(shù)所需要的設(shè)備價(jià)格昂貴，大大影響了人體行為識(shí)別技術(shù)的推廣，而且隨著智能制造、可穿戴設(shè)備、輔助駕駛、智能家居、虛擬現(xiàn)實(shí)、體感游戲等技術(shù)的快速發(fā)展，基于觸覺(jué)控制的交互越來(lái)越受到限制，非接觸交互方式的發(fā)展變得越來(lái)越重要。因此，擺脫硬件的束縛成為人體行為識(shí)別技術(shù)研究的重點(diǎn)。同時(shí)，無(wú)線局域網(wǎng)的不斷普及給了wlan人體行為識(shí)別技術(shù)很大的發(fā)展機(jī)會(huì)。

在基于wlan信道狀態(tài)信息的人體行為識(shí)別中，首先需要對(duì)行為執(zhí)行階段的數(shù)據(jù)進(jìn)行提取?，F(xiàn)有的行為提取方式，主要是通過(guò)直接觀察csi信號(hào)在行為的執(zhí)行階段與靜默狀態(tài)的差異性，人為地設(shè)定一個(gè)閾值，來(lái)檢測(cè)行為的起始與結(jié)束點(diǎn)，從而提取出行為階段對(duì)應(yīng)的數(shù)據(jù)。該方法在更換環(huán)境或者增加新的需要識(shí)別的行為之后，研究者需要重新對(duì)信號(hào)進(jìn)行觀察，設(shè)定新的閾值，而且單純的使用該方法，系統(tǒng)容易受到偶然誤差的干擾，造成行為提取錯(cuò)誤或提取不完全。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于最佳檢測(cè)門(mén)限的行為提取方法，能自動(dòng)求取檢測(cè)門(mén)限，能有效提取人體行為識(shí)別中的行為數(shù)據(jù)。

本發(fā)明所述的基于最佳檢測(cè)門(mén)限的行為提取方法，包括以下步驟：

步驟一：利用滑窗技術(shù)提取出訓(xùn)練數(shù)據(jù)的csi信號(hào)流中的方差特征xt，其中靜默狀態(tài)下的方差特征矩陣表示為x0，行為狀態(tài)下的方差特征矩陣表示為x1；

步驟二：利用核密度估計(jì)方法分別對(duì)x0中的元素和x1中的元素進(jìn)行概率密度估計(jì)，得到靜默狀態(tài)與行為狀態(tài)下信號(hào)方差的分布函數(shù)和

步驟三：遍歷求取各個(gè)門(mén)限值κj下的虛警率pe0,j和漏警率pe1,j；

步驟四：將使pe,j＝pe0,j+pe1,j達(dá)到最小的κj作為最佳檢測(cè)門(mén)限κ；

步驟五：設(shè)定緩存帶大小s，并初始化緩存帶，cache＝0；

步驟六：利用滑窗技術(shù)計(jì)算當(dāng)前時(shí)刻數(shù)據(jù)方差δt；

步驟七：比較δt與κ大小，若δt≥κ，進(jìn)入步驟八；否則，進(jìn)入步驟五；

步驟八：緩存加1，cache＝cache+1；

步驟九：觀察緩存帶是否已滿，若cache>s，表示緩存帶已滿，進(jìn)入步驟十；進(jìn)入步驟九；否則，進(jìn)入步驟六；

步驟十：記錄當(dāng)前時(shí)刻為行為開(kāi)始時(shí)刻t0；

步驟十一：清空緩存帶cache＝0；

步驟十二：利用滑窗技術(shù)計(jì)算當(dāng)前時(shí)刻的δt；

步驟十三：比較當(dāng)前時(shí)刻的δt與最佳檢測(cè)門(mén)限κ的大小，若δt<κ，進(jìn)入到步驟十四；否則，進(jìn)入步驟十一；

步驟十四：緩存加1，cache＝cache+1；

步驟十五：觀察緩存帶是否已滿，若cache>s，表示緩存帶已滿，進(jìn)入到步驟十六；否則，進(jìn)入到步驟十二；

步驟十六：記錄當(dāng)前時(shí)刻為行為結(jié)束時(shí)刻t1；

步驟十七：運(yùn)算結(jié)束，返回t0～t1時(shí)間段的數(shù)據(jù)。

所述步驟一中：

其中，l表示滑窗長(zhǎng)度，|h0(t+i)|和|h1(t+i)|分別表示t+i時(shí)刻靜默狀態(tài)和行為狀態(tài)接收的csi數(shù)據(jù)的幅值；n0和n1分別表示靜默狀態(tài)和行為狀態(tài)接收的csi信號(hào)數(shù)據(jù)量。

所述步驟二中：

其中，x表示待估計(jì)特征點(diǎn)。

所述步驟三中：

其中，κj表示一個(gè)門(mén)限值。

所述步驟六中：

其中，|hr(t-i)|表示實(shí)時(shí)采集的t-i時(shí)刻的csi數(shù)據(jù)的幅值。

本發(fā)明的有益效果：本方法能夠自動(dòng)求取檢測(cè)門(mén)限，有效提取人體行為識(shí)別中的行為數(shù)據(jù)，通過(guò)分析csi信號(hào)在靜默狀態(tài)與行為狀態(tài)的特性，利用滑窗技術(shù)提取出滑窗方差作為分辨有無(wú)行為的特征，并利用核密度估計(jì)方法對(duì)靜默狀態(tài)的滑窗方差和行為狀態(tài)的滑窗方差進(jìn)行概率密度估計(jì)。同時(shí)，利用兩種狀態(tài)下的概率密度函數(shù)，求取出行為提取的最佳檢測(cè)門(mén)限。最終結(jié)合時(shí)間序列緩存技術(shù)，提取出行為階段對(duì)應(yīng)的數(shù)據(jù)。

附圖說(shuō)明

圖1為本發(fā)明中步驟一至步驟九的流程圖；

圖2為本發(fā)明中步驟十至步驟十一七流程圖；

圖3為本發(fā)明的真實(shí)實(shí)驗(yàn)環(huán)境示意圖之一(室外空曠環(huán)境)；

圖4為本發(fā)明的真實(shí)實(shí)驗(yàn)環(huán)境示意圖之二(室內(nèi)多徑環(huán)境)；

圖5為本發(fā)明中靜默狀態(tài)和行為狀態(tài)下信號(hào)方差的核密度估計(jì)結(jié)果之一(室外空曠環(huán)境)；

圖6為本發(fā)明中靜默狀態(tài)和行為狀態(tài)下信號(hào)方差的核密度估計(jì)結(jié)果之二(室內(nèi)多徑環(huán)境)；

圖7為通過(guò)最佳檢測(cè)門(mén)限計(jì)算出的各個(gè)行為的虛警率、漏警率、f-score之一(室外空曠環(huán)境)；

圖8為通過(guò)最佳檢測(cè)門(mén)限計(jì)算出的各個(gè)行為的虛警率、漏警率、f-score之二(室內(nèi)多徑環(huán)境)。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行詳細(xì)的描述。

如圖1和圖2所示的基于最佳檢測(cè)門(mén)限的行為提取方法，包括以下步驟：

步驟一：利用滑窗技術(shù)提取出訓(xùn)練數(shù)據(jù)的csi信號(hào)流中的方差特征xt，其中靜默狀態(tài)下的方差特征矩陣表示為行為狀態(tài)下的方差特征矩陣表示為

其中，l表示滑窗長(zhǎng)度，|h0(t+i)|和|h1(t+i)|分別表示t+i時(shí)刻靜默狀態(tài)和行為狀態(tài)接收的csi數(shù)據(jù)的幅值；n0和n1分別表示靜默狀態(tài)和行為狀態(tài)接收的csi信號(hào)數(shù)據(jù)量。

步驟二：利用核密度估計(jì)方法分別對(duì)x0中的元素和x1中的元素進(jìn)行概率密度估計(jì)，得到靜默狀態(tài)與行為狀態(tài)下信號(hào)方差的分布函數(shù)和

其中，

其中，x表示待估計(jì)特征點(diǎn)。

步驟三：遍歷求取各個(gè)門(mén)限值κj下的虛警率pe0,j和漏警率pe1,j；

其中，κj表示一個(gè)門(mén)限值。

步驟四：將使pe,j＝pe0,j+pe1,j達(dá)到最小的κj作為最佳檢測(cè)門(mén)限κ。

步驟五：設(shè)定緩存帶大小s，并初始化緩存帶，cache＝0。

步驟六：利用滑窗技術(shù)計(jì)算當(dāng)前時(shí)刻數(shù)據(jù)方差δt；

其中，|hr(t-i)|表示實(shí)時(shí)采集的t-i時(shí)刻的csi數(shù)據(jù)的幅值。

步驟七：比較δt與κ大小，若δt≥κ，進(jìn)入步驟八；否則，進(jìn)入步驟五。

步驟八：緩存加1，cache＝cache+1。

步驟九：觀察緩存帶是否已滿，若cache>s，表示緩存帶已滿，進(jìn)入步驟十；否則，進(jìn)入步驟六。

步驟十：記錄當(dāng)前時(shí)刻為行為開(kāi)始時(shí)刻t0。

步驟十一：清空緩存帶cache＝0。

步驟十二：利用滑窗技術(shù)計(jì)算當(dāng)前時(shí)刻的δt。

步驟十三：比較當(dāng)前時(shí)刻的δt與最佳檢測(cè)門(mén)限κ的大小，若δt<κ，進(jìn)入到步驟十四；否則，進(jìn)入步驟十一。

步驟十四：緩存加1，cache＝cache+1。

步驟十五：觀察緩存帶是否已滿，若cache>s，表示緩存帶已滿，進(jìn)入到步驟十六；否則，進(jìn)入到步驟十二。

步驟十六：記錄當(dāng)前時(shí)刻為行為結(jié)束時(shí)刻t1。

步驟十七：運(yùn)算結(jié)束，返回t0～t1時(shí)間段的數(shù)據(jù)。

本發(fā)明的測(cè)試環(huán)境具體包括兩種典型環(huán)境，如圖3所示的室外空曠環(huán)境，大小為57.6m×51.0m，接收機(jī)與發(fā)射機(jī)之間相距10m。如圖4所示的室內(nèi)多徑環(huán)境，大小為13.3m×7.8m，接收機(jī)與發(fā)射機(jī)之間相距7.6m。實(shí)驗(yàn)中采集了人在日常生活中常做的5種行為，分別是：走、跑、坐下、蹲下、倒下，在上述兩個(gè)環(huán)境中分別建立行為數(shù)據(jù)庫(kù)。以一個(gè)環(huán)境為例，該數(shù)據(jù)庫(kù)中包含了上述5種測(cè)試行為，每種行為30組，共計(jì)150組行為，每組行為的采集時(shí)間長(zhǎng)短不一致，為求取最佳檢測(cè)門(mén)限，采集靜默數(shù)據(jù)10分鐘；測(cè)試數(shù)據(jù)邀請(qǐng)不同的志愿者測(cè)試這5種行為，每種動(dòng)作采集100組，共計(jì)500組測(cè)試行為。實(shí)驗(yàn)中數(shù)據(jù)接收頻率為1000hz，設(shè)置滑窗長(zhǎng)度l＝200(0.2秒)，緩沖帶大小s＝200。

為了驗(yàn)證本發(fā)明提出的基于最佳檢測(cè)門(mén)限的行為提取方法的有效性和可靠性，如圖5和圖6所示，分別給出了兩種環(huán)境中靜默狀態(tài)和行為狀態(tài)下信號(hào)方差的核密度估計(jì)結(jié)果，結(jié)果表明通過(guò)核密度估計(jì)方法計(jì)算出的靜默狀態(tài)下和行為狀態(tài)下的概率密度曲線有較大差異。

如圖7和圖8所示，分別給出了兩種環(huán)境中通過(guò)最佳檢測(cè)門(mén)限計(jì)算出的各個(gè)行為的虛警率、漏警率、f-score，結(jié)果表明利用本發(fā)明所述方法求出的最佳檢測(cè)門(mén)限對(duì)各個(gè)行為的方差特征進(jìn)行判決，得到的虛警率和漏警率均較低，而f-score能達(dá)到較高的水準(zhǔn)。

表1和表2分別給出了兩種環(huán)境中通過(guò)本發(fā)明方法求出的各個(gè)行為的提取成功率，結(jié)果表明利用本發(fā)明所述方法幾乎能完成所有行為的提取。

表1室外提取準(zhǔn)確率

表2室內(nèi)提取準(zhǔn)確率