《高斯混合模型结合主成分分析》由会员分享，可在线阅读，更多相关《高斯混合模型结合主成分分析（16页珍藏版）》请在金锄头文库上搜索。
1、基于混合高斯模型和主成分分析的轨迹分析行为识别方法 作者 田国会 尹建芹日期 2016 01出版 电子学报 摘要 混合高斯模型将轨迹转变为关键点及关键区域 进行了行为意图的识别和部分异常轨迹的判断 最后利用主成分分析法提高异常轨迹识别率 家庭环境下人体行为的基本特征及描述 关键点 是指与人的行为动作或习惯相联系而具有某种意义的位置或区域 例如 沙发 床等关键区域 是指连接关键点的能反映人的某些具体行为意图的区域拓扑点 关键点与此位置信息共同构成人体行为理解用的拓扑地图 这些关键点我们称其为拓扑点 基于混合高斯聚类的轨迹分析 首要问题 如何将该测量 x y 值映射为关键点或关键区域 随机变量Z
2、x y 服从高斯混合模型M 采用期望最大化算法EM来确定高斯混合模型各参数 1 类k是我们自己定的不同的家庭环境 k的取值不同 基于混合高斯聚类的轨迹分析 第7 5 3类的顺序组合代表一种运动轨迹 在本例中表示桌子到床之间的轨迹 此时目标可能是去休息 第3 4 2类的顺序组合则表示了床到饮水机之间的轨迹 此时目标可能是去倒水通过统计关键点和经历聚类的顺序就能够实时的对目标的行为意图进行检测 基于混合高斯聚类的轨迹分析 基于聚类结果的人体意图预测异常轨迹可分为两大类 第一 不能到达目标点 此时通过对聚类结果进行分析 目标在关键点之间长时间没有运动 异常 第二 目标能够到达目标点 在运动过程中经历
3、了圆弧形或者s形等有异于日常行为活动的曲线 异常 是不是还有别的异常轨迹引入速度 基于混合高斯聚类的轨迹分析 建立当前点与拓扑点之间的映射关系 首先判断当前点所属的关键点 计算各拓扑点属于该关键点的概率 选择最大概率对应的拓扑点 如果该最大概率大于某一阈值 则认为当前点属于拓扑点 如果当前点属于拓扑点 则标记该点是序列的起点或终点 基于混合高斯聚类的轨迹分析 基于PCA的运动目标轨迹分析 基于PCA的运动目标轨迹分析对轨迹特征进行降维 聚类结果分析运动中起止关键点 就可以判断该轨迹是否完整 如果轨迹完整 则在此轨迹上进行均匀采样 然后利用PCA分析即可 如果规定时间T内轨迹仍不完整 可直接判断
4、出现异常 基于PCA的运动目标轨迹分析 实验与分析 采集了7087个点 进行混合高斯聚类 利用EM算法 得到每个高斯成分的权重 均值和协方差 选取10条正常运动轨迹 对每条轨迹上的50个点落入各个类的数量进行统计 实验与分析 图6和图7表示两种异常轨迹的聚类结果 这两个轨迹的起止点是饮水机和床 图7会误判为正常 实验与分析 选取饮水机到床之间的100组正常运动轨迹作为模板对每条轨迹进行均匀离散化采样50个点 采用主成分分析进行特征提取 取前24个最大的特征值 经实验验证 并利用最近邻完成异常行为识别 实验与分析 10条测试轨迹 其中包括7条正常轨迹和3条异常轨迹 利用PCA方法对这10条轨迹进行降维 分别计算测试轨迹与模板轨迹之间的欧式距离最后通过图10选定不匹配阈值为800 实验与分析 总结 针对PCA数据要求苛刻和混合高斯聚类对异常轨迹判断准确性差的特点 提出了将两者结合的方法 下一步的工作中 重点对该方法的准确性进行改善
