在公共場合中,人員的群組化是一個(gè)非常普遍的現(xiàn)象,如和朋友、親人在商場購物或在公園散步。交互群組是指群組成員間有交互動(dòng)作的群組,例如成員間有揮手、握手、擁抱或挽手的行為,這些行為在日常生活中都是很常見的�，F(xiàn)有的群組識別方法主要是基于個(gè)體位置或信號特征的相似性來進(jìn)行群組的關(guān)聯(lián),然而在現(xiàn)實(shí)生活中群組中的成員并不是始終在臨近的位置并保持行走速度和方向一致。因此在現(xiàn)有的群組識別方法中群組成員之間的交互行為可能被認(rèn)為是不相似的,進(jìn)而會(huì)影響群組識別的準(zhǔn)確度。在本文中,我們提出了一種交互群組識別方法,用于識別成員之間存在交互行為的群組。該方法首先收集對象的加速度數(shù)據(jù),并基于加速度數(shù)據(jù)使用分類器方法推斷他們的行為動(dòng)作,然后使用滑動(dòng)窗口技術(shù)計(jì)算對象之間動(dòng)作序列的差異來得到對象之間的關(guān)聯(lián)。為了解決并非所有的群組成員在同一時(shí)間都執(zhí)行相同交互行為的問題,我們提出了基于多數(shù)表決的方法進(jìn)行群組識別。與現(xiàn)有方法相比,IGR的平均群組識別準(zhǔn)確率和Fl-score分別提高了 6.9%和13.6%。實(shí)驗(yàn)結(jié)果也表明,當(dāng)交互動(dòng)作占比不小于總行為序列的8%時(shí),IGR的平均準(zhǔn)確率和F1-score可以分別達(dá)到97.2%和94.7%... 

【文章來源】：武漢大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１支持向量機(jī)分類介紹??

件將總體樣本集合劃分為兩類，然后在分開的較小樣本集合繼續(xù)進(jìn)行判斷以提高??算法的分類效率。??決策樹示意圖如圖２－２所示。決策樹由結(jié)點(diǎn)和有向邊組成。結(jié)點(diǎn)有兩種類型：??內(nèi)部節(jié)點(diǎn)（橢圓形表示）和葉子節(jié)點(diǎn)（矩形表示）。內(nèi)部節(jié)點(diǎn)代表一個(gè)特征或?qū)??性，葉子節(jié)點(diǎn)代表一個(gè)分類。開始分類時(shí)，從決策樹的根節(jié)點(diǎn)開始，對待分類樣??本的某個(gè)特征或?qū)傩赃M(jìn)行判斷，然后根據(jù)判斷結(jié)果，將該樣本分配到根節(jié)點(diǎn)的子??結(jié)點(diǎn)。每一個(gè)子結(jié)點(diǎn)對應(yīng)著該特征或者屬性的一個(gè)取值。如此遞歸的向下進(jìn)行移??動(dòng)判斷，直至達(dá)到葉子結(jié)點(diǎn)，代表分類結(jié)束，待分類樣本就屬于該葉子結(jié)點(diǎn)所屬??的類別。??Ｚ晡乳類動(dòng)物??，￣、恒非晡乳類動(dòng)物??Ｑ體溫＾???冷血非晡乳類動(dòng)物??圖２－２決策樹分類示例圖??常用的決策樹算法由ＩＤ３，?Ｃ４．５，ＣＡＲＴ三種。這三種算法在模型構(gòu)建思想??上以及剪枝過程基本都是一致的，不同的地方在于采用了不同的評價(jià)指標(biāo)。??決策樹分類算法的優(yōu)勢在于得到的分類規(guī)則容易理解并具有很高的準(zhǔn)確性。??其不足之處在于構(gòu)建決策樹的過程中，需要對數(shù)據(jù)集進(jìn)行多次的掃描和排序，導(dǎo)??致算法的效率較低。??１５??

密度可連接：＃（；？）與是密度可連接的，表示為對于相??同的母ｗ和若存在一個(gè)點(diǎn)〇，如果滿足和＃⑷都包含〇，則表示??ＷＣｐ）與ＷＱ）是密度可連接的。密度可連接關(guān)系如圖２－３所示。??ＤＪ集群：基于密度可連接的集群Ｃ定義如下：％４，外４并且存在州＞）??與�；┦沟茫剩ǎ粒蓿＃ā叮�，則集群Ｃ表示為Ｃ?＝?＃〇）?ｕ?７Ｖ⑷。??圖２－３聯(lián)合密度聚類示例圖??１６??

【參考文獻(xiàn)】：
期刊論文
[1]傳感器技術(shù)及在智能手機(jī)中的應(yīng)用[J]. 李宏年.  中國新通信. 2015(24)
[2]結(jié)合運(yùn)動(dòng)方程與卡爾曼濾波的動(dòng)態(tài)目標(biāo)追蹤預(yù)測算法[J]. 王妍,鄧慶緒,劉賡浩,銀彪.  計(jì)算機(jī)科學(xué). 2015(12)
[3]大數(shù)據(jù)環(huán)境下移動(dòng)對象自適應(yīng)軌跡預(yù)測模型[J]. 喬少杰,李天瑞,韓楠,高云君,元昌安,王曉騰,唐常杰.  軟件學(xué)報(bào). 2015(11)

博士論文
[1]智能視覺監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測與行為識別方法[D]. 王韋樺.西安電子科技大學(xué) 2014

碩士論文
[1]固定場景中運(yùn)動(dòng)目標(biāo)檢測與運(yùn)動(dòng)估計(jì)跟蹤[D]. 李巖.鄭州大學(xué) 2016
[2]人體運(yùn)動(dòng)識別與綜合分析系統(tǒng)[D]. 潘敬奎.東華大學(xué) 2016
[3]基于手機(jī)傳感器的人類復(fù)雜行為識別方法的研究[D]. 賈博軒.黑龍江大學(xué) 2015
[4]基于智能手機(jī)的用戶行為識別技術(shù)研究與應(yīng)用[D]. 胡龍.電子科技大學(xué) 2015
[5]移動(dòng)對象位置預(yù)測關(guān)鍵技術(shù)的研究[D]. 張偉.南京航空航天大學(xué) 2009



本文編號：3510048