[发明专利]基于自动特征选择和集成学习算法的人体动作识别方法

权利要求书

1.一种基于自动特征选择和集成学习算法的人体动作识别方法，其特征在于，包括以下步骤：

步骤A，获得人体动作的数据信息集；

步骤B，在人体动作的数据信息集中设置一个滑动窗口，在该滑动窗口中对人体动作的数据信息集进行重采样，利用重采样点数据、窗口数据对应的时域特征、窗口数据对应的频域特征构建样本特征空间；

步骤C，利用基于卡特树的特征评价算法和集成学习算法对样本特征空间中的样本数据进行训练，得到训练好的双层模型，其中该双层模型包括特征选择层和动作识别层；

步骤D，用训练好的双层模型对人体动作进行分类识别，实现自动特征选择和人体动作识别；

所述步骤C包括：

步骤C1，设人体动作的数据信息集为T，样本特征空间为F，特征个数为K，随机子空间系数α，卡特树的棵数为M，特征选择系数β；

步骤C2，在特征空间F中随机选取αK个特征创建子特征空间F_sub＝{f₁,f₂,...,f_j},(j＝1,2,...,αK)；

步骤C3，选取子特征空间F_sub中的特征对数据信息集T进行映射，得到新的数据集合T_i，i＝1,2,...,M，即：

其中，Π代表映射操作，

步骤C4，使用新的数据集合T_i训练卡特树CT_i；

步骤C5，对于i从1到M，重复步骤C2～步骤C4共M次，得到M棵卡特树CT_i；

步骤C6，如果特征f_j节点在卡特树CT_i之中，则第j个特征节点在第i棵卡特树中的深度为d_ij，那么第j个特征在第i棵卡特树中的重要度评价值E_ij为：如果特征f_j节点不在卡特树CT_i之中，则E_ij＝0；

步骤C7，对于i从1到M，j从1到K，重复步骤C6共M*K次，得到每个特征在每棵卡特树中的重要度评价值E_ij；

步骤C8，对于j从1到K，计算每个特征节点在所有卡特树中的总评价值E_j：

步骤C9，根据E_j对样本特征空间F中的每个特征进行排序，选出重要度评价值高的前βK个特征形成新的特征空间F_selected，F_selected＝{f₁,f₂,…,f_βK}

步骤C10，选取新特征空间F_selected中的特征对数据信息集T进行映射，得到新的集合T_selected，即，

其中，Π代表映射操作，

步骤C11，将新的数据集T_selected输入到XGBoost算法动作识别层，用于人体动作识别层的训练，从而得到最终的训练好的双层模型。

2.如权利要求1所述的基于自动特征选择和集成学习算法的人体动作识别方法，其特征在于，所述步骤A中，获得人体动作的数据信息集过程包括：首先，获得人体动作的原始数据集；然后，对原始数据进行预处理，从而获得人体动作的数据信息集。

3.如权利要求1所述的基于自动特征选择和集成学习算法的人体动作识别方法，其特征在于，所述步骤B包括：

在人体动作的数据信息集中设置一个滑动窗口，设定滑动距离和重采样时间间隔，在所述的滑动窗口中对数据信息集进行重采样；

在所述滑动窗口中计算时域特征和频域特征；

利用重采样点数据、窗口数据对应的时域特征、窗口数据对应的频域特征构建样本特征空间。

4.如权利要求2所述的基于自动特征选择和集成学习算法的人体动作识别方法，其特征在于，所述步骤A中，预处理过程包括：使用均值滤波消除原始数据集中的噪声。