一种基于三轴加速度计的宠物运动识别方法与流程

本发明涉及一种运动识别方法，特别涉及一种基于三轴加速度计的宠物运动识别方法。

背景技术：

随着手机、平板等移动智能终端的普及，其中内含的带有加速度传感器的移动智能设备在人们的生活中得到了非常广泛的应用，带有加速度传感器的移动智能设备可以方便地识别到人体的运动，对人体的运动识别是计算机视觉领域的一个热点问题，在智能健康、人机交互以及视频检索等领域具有广泛的应用前景和潜在的经济价值。目前，随着人体运动识别的兴起，各式各样的智能手表、手环层出不穷，可以对人的运动状态进行实时的识别，这也使得人们开始提高对自身的健康关注。与此同时，一些热爱宠物的人士逐渐将注意力转移到自家的宠物身上，希望找到针对宠物的运动识别及分析算法。而目前，对宠物运动识别算法的研究尚未成熟，处于起步阶段。与人体运动识别相比，宠物运动识别具有传感器佩戴困难、宠物运动变化快、宠物运动分类难等技术难点，有较大的应用和研究价值。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提供一种准确性、鲁棒性和实时性高的基于三轴加速度计的宠物运动识别方法。

本发明的目的通过下述技术方案实现：一种基于三轴加速度计的宠物运动识别方法，具体步骤如下：

S1、样本预处理：对三轴加速度数据进行滑动窗的加窗处理，以将连续的多个采样点从数据流中截取出来，获取到各个样本，其中每个滑动窗的信号对应一个样本；

S2、样本特征提取：将步骤S1中获取到的各样本对应的三轴加速度信号的每一轴加速度信号进行快速傅里叶变换蝶形算法，然后将每一轴加速度信号的傅里叶系数作为特征提取出来，构成样本特征；

S3、获取训练样本集：通过佩带在宠物身上的三轴加速度计采集三轴加速度数据作为训练数据，将采集的三轴加速度数据经过步骤S1处理后获取到训练样本集，然后通过步骤S2的方式提取训练样本集中各训练样本的样本特征，并且通过视频观察方法人工为各训练样本标注其所属运动类别；

S4、模型训练：将各训练样本对应的样本特征作为随机森林模型的输入对随机森林模型进行训练，生成一个包含多棵决策树的随机森林模型；其中每棵决策树均是通过随机选择训练样本和训练样本对应的样本特征并且利用信息增益率最大的方法训练得到的；

S5、运动识别，通过佩带在宠物身上的三轴加速度计实时采集三轴加速度数据，将实时采集的三轴加速度数据经过步骤S1处理后获取到测试样本，然后通过步骤S2的方式提取各测试样本的样本特征，最后将测试样本的样本特征输入至随机森林模型，随机森林模型中每棵决策树根据测试样本的样本特征进行自己的决策，最终确定测试样本所属运动类别。

优选的，所述滑动窗的窗长为64，各个样本包括三轴加速度数据的64个采样点。

更进一步的，滑动窗的窗移为32点。

更进一步的，每个滑动窗所占的采样时间为1.28秒。

更进一步的，步骤S2中各样本对应的三轴加速度信号的每一轴加速度信号进行64点快速傅里叶变换蝶形算法，得到的是三轴加速度信号各自的长度为64的傅里叶系数。

优选的，所述步骤S4模型训练过程中，针对获取到的训练样本和训练样本对应的样本特征，通过有放回的随机选择训练样本以及无放回的随机选择训练样本对应的样本特征，得到多组训练数据，针对每组训练数据通过信息增益率最大的方法建立决策树。

更进一步的，所述步骤S4模型训练过程中，针对获取到的训练样本和训练样本对应的样本特征，通过有放回的随机选择训练样本以及无放回的随机选择训练样本对应的样本特征，得到20组训练数据，针对每组训练数据通过信息增益率最大的方法建立决策树，获取包含20棵决策树的随机森林模型。

优选的，所述三轴加速度内置于基于Android Wear操作系统的智能手表中，通过智能手表佩带在宠物身上。

优选的，随机森林模型中每棵决策树根据测试样本的样本特征进行自己的决策，多个决策树通过投票方式确定测试样本最终所属运动类别。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明方法针对三轴加速度计获取到的三轴加速度信号进行滑动窗处理后分别获取到训练样本集以及测试样本，针对于训练样本集进行快速傅里叶变换蝶形算法后获取到样本特征，并且通过视频观察方法人工为各训练样本标注其所属运动类别，然后通过训练样本训练随机森林模型中决策树，得到包含多棵决策树的随机森林模型，针对于需要测试宠物运动的测试样本，经过快速傅里叶变换蝶形算法后获取到样本特征，然后作为训练样本集已训练后的随机森林模型的输入，随机森林模型中每棵决策树根据测试样本的样本特征进行自己的决策，最终确定出测试样本所属运动类别。本发明随机森林模型通过多棵决策树对测试样本进行分类，特别适用于多输入特征的模式分类，在保证准确率的同时不会产生过拟合的问题。本发明宠物运动识别方法具有准确性、鲁棒性和实时性高的优点。

(2)本发明方法中随机森林模型中每棵决策树根据测试样本的样本特征进行自己的决策后，多个决策树通过投票方式确定测试样本最终所属运动类别，进一步提高了宠物运动类别识别的准确性。

(3)本发明方法中通过滑动窗对三轴加速度信号进行加窗处理，其中滑动窗选取64点为窗长，这个窗长使得50Hz采样率下，每个滑动窗所占的时间仅为1.28s，在该时间长度下的滑动窗识别具有较高的实时性，能很好的适应宠物运动动作灵敏的特点。另外，在50Hz的采样率下，64点的滑动窗能包含三至四个运动周期，这不仅满足Nyquist采样定理，而且从滑动窗所包含的信号内容上看完全可以用于运动识别。

(4)本发明采方法将快速傅里叶变换蝶形算法用于每个样本的样本特征提取，其中采用的快速傅里叶变换蝶形算法为64点的，由于64点满足快速傅里叶变换蝶形算法对信号长度的要求，为2的整数次幂，不需要额外补零，保证了傅里叶系数和信号的真实对应关系。傅里叶系数作为时间序列中的频域特征，能够很好的描述和表征不同的宠物运动模式，但是往往需要较多的运算量，若对长度为64的信号采用离散傅里叶变换算法，则需要4096(64*64)次乘法和4032(64*(64-1))，而本发明方法使用快速傅里叶变换蝶形算法，仅需要192(64*log2(64)/2)次乘法和384(64*log2(64))次加法，利用快速傅里叶变换蝶形算法计算长度为64的信号耗时不到1毫秒，对算法的实时性几乎毫无影响，因此大大提高了本发明宠物运动识别方法的实时性。

附图说明

图1是本发明方法流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本实施例公开了一种基于三轴加速度计的宠物运动识别方法，如图1所示，具体步骤如下：

S1、样本预处理：对三轴加速度数据进行滑动窗的加窗处理，以将连续的多个采样点从数据流中截取出来，获取到各个样本，其中每个滑动窗的信号对应一个样本；

本实施例中三轴加速度内置于基于Android Wear操作系统的智能手表中，通过加长智能手表表带的方式固定在宠物身上。本实施例中滑动窗的窗长为64点，滑动窗的窗移为32点，即各个样本包括三轴加速度数据的64个采样点。当采样频率为50Hz时，每个滑动窗所占的时间为1.28s。

S2、样本特征提取：将步骤S1中获取到的各样本对应的三轴加速度信号的每一轴加速度信号进行快速傅里叶变换蝶形算法，然后将每一轴加速度信号的傅里叶系数作为特征提取出来，构成样本特征；其中每个样本中包含一个长度为64个采样点的信号，每个采样点包含三个数值，分别代表三轴加速度计测量的三个轴的加速度分量大小，本实施例中各样本对应的三轴加速度信号的每一轴加速度信号进行64点的快速傅里叶变换蝶形算法，提取每一轴加速度信号的傅里叶系数，得到每个样本中三个轴各自的长度为64的傅里叶系数，将这些傅里叶系数作为样本特征。

S3、获取训练样本集：通过佩带在宠物身上的三轴加速度计采集三轴加速度数据作为训练数据，将采集的三轴加速度数据经过步骤S1处理后获取到训练样本集，然后通过步骤S2的方式提取训练样本集中各训练样本的样本特征，并且通过视频观察方法人工为各训练样本标注其所属运动类别；

S4、模型训练：将各训练样本对应的样本特征作为随机森林模型的输入对随机森林模型进行训练，生成一个包含多棵决策树的随机森林模型；其中每棵决策树均是通过随机选择训练样本和训练样本对应的样本特征并且利用信息增益率最大的方法训练得到的。在本实施例中，针对获取到的训练样本和训练样本对应的样本特征，通过有放回的随机选择训练样本以及无放回的随机选择训练样本对应的样本特征，得到20组训练数据，针对每组训练数据通过信息增益率最大的方法建立决策树，从而获取包含20棵决策树的随机森林模型。

S5、运动识别，通过佩带在宠物身上的三轴加速度计实时采集三轴加速度数据，将实时采集的三轴加速度数据经过步骤S1处理后获取到测试样本，然后通过步骤S2的方式提取各测试样本的样本特征，最后将测试样本的样本特征输入至随机森林模型，随机森林模型中每棵决策树根据测试样本的样本特征进行自己的决策，多个决策树通过投票方式确定测试样本最终所属运动类别。

本实施例宠物运动识别方法三轴加速度计获取到的三轴加速度信号进行滑动窗处理后作为样本，其中一个滑动窗的数据对应一个样本。训练样本和测试样本均通过以上方式获取到。

针对于训练样本集进行快速傅里叶变换蝶形算法后获取到样本特征，并且通过视频同步观测宠物运动的方式，人工为每一个滑动窗内的数据加入类别标注，即通过视频观察方法人工为各训练样本标注上其所属运动类别，然后通过训练样本训练随机森林模型中决策树，得到包含多棵决策树的训练好的随机森林模型中。

针对于需要测试宠物运动的测试样本，经过快速傅里叶变换蝶形算法后获取到样本特征，然后作为训练好的随机森林模型的输入，随机森林模型中每棵决策树根据测试样本的样本特征进行自己的决策，最终通过投票的方式确定出测试样本所属运动类别。

本实施例随机森林模型通过多棵决策树对测试样本进行分类，特别适用于多输入特征的模式分类，在保证准确率的同时不会产生过拟合的问题，并且具有准确性、鲁棒性和实时性高的优点。

本实施例上述方法的步骤S1中通过滑动窗对三轴加速度信号进行加窗处理，其中滑动窗选取64点为窗长，这个窗长使得50Hz采样率下，每个滑动窗所占的时间仅为1.28s，在该时间长度下的滑动窗识别具有较高的实时性，能很好的适应宠物运动动作灵敏的特点。另外，在50Hz的采样率下，64点的滑动窗能包含三至四个运动周期，这不仅满足Nyquist采样定理，而且从滑动窗所包含的信号内容上看完全可以用于运动识别。

本发明上述方法的步骤S2中将快速傅里叶变换蝶形算法用于每个样本的样本特征提取，其中采用的快速傅里叶变换蝶形算法为64点的，由于64点满足快速傅里叶变换蝶形算法对信号长度的要求，为2的整数次幂，不需要额外补零，保证了傅里叶系数和信号的真实对应关系。傅里叶系数作为时间序列中的频域特征，能够很好的描述和表征不同的宠物运动模式，但是往往需要较多的运算量，若对长度为64的信号采用离散傅里叶变换算法，则需要4096(64*64)次乘法和4032(64*(64-1))，而本发明方法使用快速傅里叶变换蝶形算法，仅需要192(64*log2(64)/2)次乘法和384(64*log2(64))次加法，利用快速傅里叶变换蝶形算法计算长度为64的信号耗时不到1毫秒，对算法的实时性几乎毫无影响，因此大大提高了本发明宠物运动识别方法的实时性。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。