本发明涉及模式识别领域，具体而言，涉及一种运动模式识别方法及装置。
背景技术：
运动模式识别是一个非常有趣并且很有挑战的问题，它广泛的应用于体育的跑步、健身、球类运动等领域。通常实现方式为：基于计算机视觉的方法。基于视觉的方法，是通过摄像头，对用户的动作进行捕捉，然后通过计算机视觉的相关方法，进行识别出不同的动作模式。
基于计算机视觉的技术已经广泛的应用于人体的目标跟踪以及对一系列动作进行模式识别，该方法需要在监控地点安装摄像机，以进行对视觉的数据进行采集，然后通过对原始数据进行预处理、特征提取、对对象进行检测、目标跟踪，最后通过对一系列动作进行模式识别，或者通过现在最流行的深度学习，对采集的数据进行端对端的模式识别，即输入采集的数据，则输出模式识别的结果。但是基于计算机视觉的方法对光照条件要求较为严格，并且数据量大容易导致维数灾难，所以对于最终的识别效果并不理想。
技术实现要素：
有鉴于此，本发明实施例的目的在于提供一种运动模式识别方法及装置，以改善上述问题。
第一方面，本发明实施例提供了一种运动模式识别方法，所述方法包括：获得用于表征运动模式的原始运动数据，并对所述原始运动数据进行平滑滤波；基于多个分类器对应的不同的特征提取方式，分别对平滑滤波后的原始运动数据进行特征提取，获得多个运动特征数据；对所述多个运动特征数据进行识别，获得多个运动模式；基于预设规则从所述多个运动模式中确定出最终运动模式。
进一步地，基于多个分类器对应的不同的特征提取方式，分别对平滑滤波后的原始运动数据进行特征提取，获得多个运动特征数据，包括：基于softmax回归分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第一运动特征数据；基于朴素贝叶斯分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第二运动特征数据；基于决策树分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第三运动特征数据；对所述多个运动特征数据进行识别，获得多个运动模式，包括：对所述第一运动特征数据进行识别，获得第一运动模式；对所述第二运动特征数据进行识别，获得第二运动模式；对所述第三运动特征数据进行识别，获得第三运动模式；基于预设规则从所述多个运动模式中确定出最终运动模式，包括：基于预设规则从所述第一运动模式、所述第二运动模式、所述第三运动模式中确定出最终运动模式。
进一步地，基于预设规则从所述第一运动模式、所述第二运动模式、所述第三运动模式中确定出最终运动模式，包括：对所述第一运动模式、所述第二运动模式、所述第三运动模式进行投票，选择出投票数最多的运动模式作为所述最终运动模式。
进一步地，获得用于表征运动模式的原始运动数据，并对所述原始运动数据进行平滑滤波，包括：通过传感器采集用户的用于表征运动模式的原始运动数据，并对所述原始运动数据进行平滑滤波。
进一步地，对所述原始运动数据进行平滑滤波，包括：采用均值滤波法对所述原始运动数据进行平滑滤波。
第二方面，本发明实施例提供了一种运动模式识别装置，所述装置包括：数据处理模块，用于获得用于表征运动模式的原始运动数据，并对所述原始运动数据进行平滑滤波；特征提取模块，用于基于多个分类器对应的不同的特征提取方式，分别对平滑滤波后的原始运动数据进行特征提取，获得多个运动特征数据；模式识别模块，用于对所述多个运动特征数据进行识别，获得多个运动模式；模式确定模块，用于基于预设规则从所述多个运动模式中确定出最终运动模式。
进一步地，所述特征提取模块，包括：第一提取单元，用于基于softmax回归分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第一运动特征数据；第二提取单元，用于基于朴素贝叶斯分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第二运动特征数据；第三提取单元，用于基于决策树分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第三运动特征数据；所述模式识别模块，包括：第一识别单元，用于对所述第一运动特征数据进行识别，获得第一运动模式；第二识别单元，用于对所述第二运动特征数据进行识别，获得第二运动模式；第三识别单元，用于对所述第三运动特征数据进行识别，获得第三运动模式；所述模式确定模块，具体用于基于预设规则从所述第一运动模式、所述第二运动模式、所述第三运动模式中确定出最终运动模式。
进一步地，所述模式确定模块，具体用于对所述第一运动模式、所述第二运动模式、所述第三运动模式进行投票，选择出投票数最多的运动模式作为所述最终运动模式。
进一步地，所述数据处理模块，具体用于通过传感器采集用户的用于表征运动模式的原始运动数据，并对所述原始运动数据进行平滑滤波。
进一步地，所述数据处理模块，具体用于通过传感器采集用户的用于表征运动模式的原始运动数据，并采用均值滤波法对所述原始运动数据进行平滑滤波。
本发明实施例的有益效果是：
本发明实施例提供一种运动模式识别方法及装置，该方法通过获得用于表征运动模式的原始运动数据，并对所述原始运动数据进行平滑滤波，基于多个分类器对应的不同的特征提取方式，分别对平滑滤波后的原始运动数据进行特征提取，获得多个运动特征数据，然后对所述多个运动特征数据进行识别，获得多个运动模式，再基于预设规则从所述多个运动模式中确定出最终运动模式，本方法通过不同分类器的不同特性，以及不同的特征提取方式，然后进行集成多种分类器，最后通过预设规则得出最终的运动模式，从而避免了某一种分类器在局部特性的数据上识别结果偏差较大的情况，提高了识别的稳定性以及准确率。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了一种可应用于本申请实施例中的电子设备的结构框图；
图2为本发明实施例提供的一种运动模式识别方法的流程图；
图3为本发明实施例提供的一种运动模式识别方法的应用示意图；
图4为本发明实施例提供的一种运动模式识别装置的结构框图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1示出了一种可应用于本申请实施例中的电子设备100的结构框图。电子设备100可以包括运动模式识别装置、存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107。
所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述运动模式识别装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述运动模式识别装置的操作系统(operatingsystem，os)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块，例如所述运动模式识别装置包括的软件功能模块或计算机程序。
其中，存储器101可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器103中，或者由处理器103实现。
处理器103可以是一种集成电路芯片，具有信号的处理能力。上述的处理器103可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。
音频单元106向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元107在所述电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器103进行计算和处理。
所述外设接口104将各种输入/输入装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。
可以理解，图1所示的结构仅为示意，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2，图2为本发明实施例提供的一种运动模式识别方法的流程图，所述方法包括如下步骤：
步骤s110：获得用于表征运动模式的原始运动数据，并对所述原始运动数据进行平滑滤波。
其中，可以采用传感器采集用户的用于表征运动模式的原始运动数据，例如，加速度传感器采集用户的用于表征运动模式的xi,yi,zi三个轴的原始运动数据，然后对原始运动数据采用均值滤波法进行平滑滤波，具体公式如下：
其中，n为可以取值为正整数，在本实施例中，为了达到更好的滤波效果，n可以取值为8，i为正整数。
当然，对原始运动数据进行平滑滤波还可以采用高斯滤波、中值滤波等方法。
对平滑后的数据采用滑动时间窗的方式处理，每个时间窗包括200个样本点，然后以50个样本点不断平移时间窗，时间窗内包括了平滑后的x、y、z轴的数据，具体数据表示如下：
x＝(xi1′,…,xi200′)
y＝(yi1′,…,yi200′)
z＝(zi1′,…,zi200′)
由于加速度传感器采集的原始运动数据会不断产生出来，经过平滑滤波处理形成新的数据，然后不断选择200个点的数据进行运动模式判别的后续操作。
步骤s120：基于多个分类器对应的不同的特征提取方式，分别对平滑滤波后的原始运动数据进行特征提取，获得多个运动特征数据。
其中，多个分类器可以包括有softmax回归分类器、朴素贝叶斯分类器、决策树分类器等多个分类器，则获得多个运动特征数据可以为：基于softmax回归分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第一运动特征数据；基于朴素贝叶斯分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第二运动特征数据；基于决策树分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第三运动特征数据。
具体地，基于softmax回归分类器的特征提取方式，对平滑滤波处理后的原始运动数据进行特征提取，具体如下：
f13＝max(x)
f14＝max(z)
f15＝min(x)
f16＝min(z)
f17＝f13-f15
f18＝f14-f16
即提取的特征为：
f1＝(f11,…,f18)
其中，
基于朴素贝叶斯分类器，对数据进行特征提取，具体如下：
即提取的特征为：
f2＝(f21,…,f27)
其中，
基于决策树分类器的特征提取方式，对数据进行特征提取，具体如下：
即提取的特征为：
f3＝(f31,…,f37)
其中，
步骤s130：对所述多个运动特征数据进行识别，获得多个运动模式。
获得上述多个运动特征数据后，还需对这些运动特征数据进行识别，从而获得多个运动模式。
具体地，对所述第一运动特征数据进行识别，获得第一运动模式，具体如下：
softmax回归的代价函数：
其中，1{值为真的表达式}＝1，j＝1,2,3…,k，j代表运动模式的类别，如1代表走路模式，2代表健走模式；m为训练样本数量，如x、y的数据有3000，则m为3000；θ为权重参数，θj代表行向量，表示每个输入x与第j个输出分类连接的权重，t表示矩阵倒置，x(i)表示上述的200个数据，i为1,2...200。
对于j(θ)的最小化问题，使用迭代的优化算法，例如梯度下降法或者l-bfgs。经过求导，得到梯度公式如下：
然后代入梯度下降法等算法中，来最小化j(θ)。在梯度下降法的标准视线中，每一次迭代需要对参数进行更新，具体为：
其中，α为学习率，即经验下的常数值。
通过已知采集的有监督的数据，使用softmax回归模型进行训练，最后得出最优参数：
θ＝[θij]i×j
然后通过参数与特征数据进行相乘：
m＝θ×f1
最后通过计算m向量中，最大值所对应的序号，则为具体的类别，即：
对所述第二运动特征数据进行识别，获得第二运动模式。具体如下：
基于朴素贝叶斯分类器，对提取的特征进行运动模式识别，基于朴素贝叶斯的判定准则是：
其中，c表示具体运动模式类别，y表示所有类别的集合，p(c)表示c属于具体某一类别的先验概率，p(xi|c)表示c在某一类别前提下样本xi的条件概率，xi指数据中1到d个特征中的第i个特征。
为了提高计算效率，对上述公式进行简化，进行取对数，并不会影响结果，并且将乘法变为加法，避免连乘带来的下溢的数据溢出，即：
其中，pc和p(xi|c)根据已知的监督数据，进行训练得出，然后新的特征数据根据此判别准则进行判别，得出运动模式的结果。
对所述第三运动特征数据进行识别，获得第三运动模式。具体如下：
基于决策树分类器的特征提取方式，对提取的特征进行运动模式识别，具体采用c4.5决策树算法，增益率为：
其中，
其中，gain(d,a)值越大，即信息增益越大，则意味着使用a来进行划分所获得的“纯度提升”越大。d1到dv是v个不同值的属性a分割d而形成v个样本子集。
通过有监督的数据，对模型进行训练，得出参数θtree，然后通过新的特征数据，与已知参数进行计算，得出最终的运动模式的结果，即：
i＝f(θtree,f3)
步骤s140：基于预设规则从所述多个运动模式中确定出最终运动模式。
在上述获得多个运动模式后，从多个运动模式中确定出最终运动模式，例如，在上述通过三个分类器后获得三个运动模式，则基于预设规则从所述第一运动模式、所述第二运动模式、所述第三运动模式中确定出最终运动模式。
具体地，对所述第一运动模式、所述第二运动模式、所述第三运动模式进行投票，选择出投票数最多的运动模式作为所述最终运动模式。
对多个分类器进行集成，然后识别出最终的结果，具体集成学习的示意图见附图3。
当前，采用不同分类器识别出的各个结果为：
c＝{c1,…,cn}
采用相对多数投票法的方式，对类别进行判别，即：
即预测为得票最多的类别，若同时有多个类别获得高票，则从中随机选取一个，由此，可基于多个分类器对获得最终运动模式，提高了运动模式识别准确性。
请参照图4，图4为本发明实施例提供的一种运动模式识别装置200的结构框图，所述装置包括：
数据处理模块210，用于获得用于表征运动模式的原始运动数据，并对所述原始运动数据进行平滑滤波。
特征提取模块220，用于基于多个分类器对应的不同的特征提取方式，分别对平滑滤波后的原始运动数据进行特征提取，获得多个运动特征数据。
模式识别模块230，用于对所述多个运动特征数据进行识别，获得多个运动模式。
模式确定模块240，用于基于预设规则从所述多个运动模式中确定出最终运动模式。
作为一种实施方式，所述特征提取模块220，包括：
第一提取单元，用于基于softmax回归分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第一运动特征数据；
第二提取单元，用于基于朴素贝叶斯分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第二运动特征数据；
第三提取单元，用于基于决策树分类器的特征提取方式，对平滑滤波后的原始数据进行特征提取，获得第三运动特征数据；
所述模式识别模块230，包括：
第一识别单元，用于对所述第一运动特征数据进行识别，获得第一运动模式；
第二识别单元，用于对所述第二运动特征数据进行识别，获得第二运动模式；
第三识别单元，用于对所述第三运动特征数据进行识别，获得第三运动模式；
所述模式确定模块240，具体用于基于预设规则从所述第一运动模式、所述第二运动模式、所述第三运动模式中确定出最终运动模式。
作为一种实施方式，所述模式确定模块240，具体用于对所述第一运动模式、所述第二运动模式、所述第三运动模式进行投票，选择出投票数最多的运动模式作为所述最终运动模式。
作为一种实施方式，所述数据处理模块210，具体用于通过传感器采集用户的用于表征运动模式的原始运动数据，并对所述原始运动数据进行平滑滤波。
作为一种实施方式，所述数据处理模块210，具体用于通过传感器采集用户的用于表征运动模式的原始运动数据，并采用均值滤波法对所述原始运动数据进行平滑滤波。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
综上所述，本发明实施例提供一种运动模式识别方法及装置，该方法通过获得用于表征运动模式的原始运动数据，并对所述原始运动数据进行平滑滤波，基于多个分类器对应的不同的特征提取方式，分别对平滑滤波后的原始运动数据进行特征提取，获得多个运动特征数据，然后对所述多个运动特征数据进行识别，获得多个运动模式，再基于预设规则从所述多个运动模式中确定出最终运动模式，本方法通过不同分类器的不同特性，以及不同的特征提取方式，然后进行集成多种分类器，最后通过预设规则得出最终的运动模式，从而避免了某一种分类器在局部特性的数据上识别结果偏差较大的情况，提高了识别的稳定性以及准确率。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。