单传感器数据驱动的人体日常短时行为识别方法

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。