本發(fā)明涉及一種網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別是涉及一種人體活動(dòng)識(shí)別方法及裝置。

背景技術(shù)：

隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，人體活動(dòng)識(shí)別越來(lái)越重要。人體活動(dòng)識(shí)別具有很廣泛的研究意義和價(jià)值，通過(guò)對(duì)人體活動(dòng)的識(shí)別可以檢測(cè)人類的健康、運(yùn)動(dòng)訓(xùn)練狀態(tài)、預(yù)測(cè)人類的社會(huì)行為等等。

目前，可以通過(guò)多類分類器實(shí)現(xiàn)人體活動(dòng)識(shí)別，具體是依據(jù)采集到的用戶活動(dòng)狀態(tài)數(shù)據(jù)的數(shù)據(jù)特征，通過(guò)多類分類器將人體活動(dòng)狀態(tài)劃分為不同類別的活動(dòng)狀態(tài)。

然而，多類分類器在進(jìn)行多活動(dòng)目標(biāo)識(shí)別時(shí)，數(shù)據(jù)特征提取過(guò)程復(fù)雜度較高，尤其在數(shù)據(jù)特征多、數(shù)據(jù)特征交叉等復(fù)雜情況下，數(shù)據(jù)特征提取會(huì)存在偏差，進(jìn)而無(wú)法識(shí)別得到用戶準(zhǔn)確的活動(dòng)狀態(tài)，從而會(huì)影響人體活動(dòng)識(shí)別的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種人體活動(dòng)識(shí)別方法及裝置，主要目的在于可以降低多活動(dòng)目標(biāo)識(shí)別時(shí)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動(dòng)識(shí)別準(zhǔn)確率較低。

依據(jù)本發(fā)明一個(gè)方面，提供了一種人體活動(dòng)識(shí)別方法，該方法包括：

當(dāng)接收到用戶活動(dòng)狀態(tài)的識(shí)別指令時(shí)，獲取所述識(shí)別指令中攜帶的需要對(duì)待識(shí)別用戶進(jìn)行活動(dòng)識(shí)別的識(shí)別目標(biāo)，以及獲取所述待識(shí)別用戶移動(dòng)終端的終端數(shù)據(jù)；

確定與所述識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程，不同的識(shí)別目標(biāo)分別對(duì)應(yīng)不同的分類模型組合流程，所述分類模型組合流程中包含按照預(yù)定順序排列的一個(gè)或多個(gè)分類模型；

根據(jù)確定的所述分類模型組合流程和所述終端數(shù)據(jù)的數(shù)據(jù)特征，對(duì)所述待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，得到所述待識(shí)別用戶的活動(dòng)狀態(tài)，其中，上一層級(jí)分類模型分類得到的活動(dòng)狀態(tài)與下一層級(jí)分類模型分類可選的活動(dòng)狀態(tài)之間具有上下位關(guān)系。

進(jìn)一步地，所述方法還包括：

獲取收集到的不同用戶移動(dòng)終端的終端數(shù)據(jù)；

根據(jù)不同的活動(dòng)狀態(tài)，提取所述終端數(shù)據(jù)中相應(yīng)的特征數(shù)據(jù)進(jìn)行訓(xùn)練，得到活動(dòng)狀態(tài)對(duì)應(yīng)的分類模型；

所述確定與所述識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程，具體包括：

對(duì)所述識(shí)別目標(biāo)進(jìn)行解析，得到與所述識(shí)別目標(biāo)對(duì)應(yīng)的多個(gè)可選的活動(dòng)狀態(tài)；

根據(jù)所述多個(gè)可選的活動(dòng)狀態(tài)之間的上下位關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合，得到與所述識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程。

具體地，若所述識(shí)別目標(biāo)為所述用戶的基本活動(dòng)識(shí)別，則所述根據(jù)確定的所述分類模型組合流程和所述終端數(shù)據(jù)的數(shù)據(jù)特征，對(duì)所述待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，具體包括：

從所述終端數(shù)據(jù)中提取所述待識(shí)別用戶移動(dòng)終端的終端位置數(shù)據(jù)特征；

根據(jù)所述終端位置數(shù)據(jù)特征，通過(guò)基本活動(dòng)識(shí)別的決策樹分類器對(duì)所述待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行分類；

若根據(jù)分類結(jié)果確定所述待識(shí)別用戶的基本活動(dòng)狀態(tài)為步行活動(dòng)狀態(tài)，則從所述終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的加速計(jì)數(shù)據(jù)特征；

根據(jù)所述加速計(jì)數(shù)據(jù)特征，通過(guò)步行類別識(shí)別的支持向量機(jī)分類器對(duì)所述步行活動(dòng)狀態(tài)進(jìn)行分類。

具體地，若根據(jù)分類結(jié)果確定所述待識(shí)別用戶的基本活動(dòng)狀態(tài)為乘坐交通工具活動(dòng)狀態(tài)、且所述識(shí)別目標(biāo)為所述待識(shí)別用戶乘坐的交通工具識(shí)別，則所述根據(jù)確定的所述分類模型組合流程和所述終端數(shù)據(jù)的數(shù)據(jù)特征，對(duì)所述待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，具體還包括：

從所述終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的終端位置數(shù)據(jù)特征和終端信號(hào)數(shù)據(jù)特征，所述終端信號(hào)為終端通訊信號(hào)和/或終端網(wǎng)絡(luò)信號(hào)；

根據(jù)所述終端位置數(shù)據(jù)特征和所述終端信號(hào)數(shù)據(jù)特征，通過(guò)交通工具識(shí)別的決策樹分類器對(duì)所述乘坐交通工具活動(dòng)狀態(tài)進(jìn)行分類；

若根據(jù)分類結(jié)果確定所述待識(shí)別用戶乘坐的交通工具為汽車，則從所述汽車在預(yù)定周期時(shí)間段內(nèi)的車輛運(yùn)行數(shù)據(jù)中提取車輛運(yùn)行數(shù)據(jù)特征；

根據(jù)所述車輛運(yùn)行數(shù)據(jù)特征，通過(guò)車輛類型識(shí)別的決策樹分類器進(jìn)行分類得到所述汽車的車輛類型。

具體地，所述車輛運(yùn)行數(shù)據(jù)特征包含活躍行駛范圍、行駛線路種類、每個(gè)預(yù)定時(shí)間間隔內(nèi)的車輛累計(jì)運(yùn)行時(shí)長(zhǎng)，所述活躍行駛范圍的確定方式包括：

通過(guò)預(yù)設(shè)DBSCAN密度聚類函數(shù)，對(duì)在所述預(yù)定周期時(shí)間段內(nèi)所述汽車的車輛位置數(shù)據(jù)進(jìn)行密度聚類，得到各個(gè)類簇；

將所述各個(gè)類簇中樣本點(diǎn)最多的類簇的中心點(diǎn)，確定為所述汽車的活躍中心點(diǎn)，并將所述樣本點(diǎn)最多的類簇中所有點(diǎn)到所述活躍中心點(diǎn)的距離最大值，確定為所述汽車的行駛活躍半徑；

根據(jù)所述活躍中心點(diǎn)和所述行駛活躍半徑，確定所述汽車的活躍行駛范圍。

進(jìn)一步地，若根據(jù)分類結(jié)果確定所述待識(shí)別用戶乘坐的交通工具為汽車、且所述識(shí)別目標(biāo)為所述待識(shí)別用戶的乘客身份識(shí)別，則所述根據(jù)確定的所述分類模型組合流程和所述終端數(shù)據(jù)的數(shù)據(jù)特征，對(duì)所述待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，具體還包括：

從所述終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的加速計(jì)數(shù)據(jù)特征和陀螺儀數(shù)據(jù)特征；

根據(jù)所述加速計(jì)數(shù)據(jù)特征和所述陀螺儀數(shù)據(jù)特征，通過(guò)乘客身份識(shí)別的K最鄰近分類器進(jìn)行分類得到所述待識(shí)別用戶對(duì)應(yīng)的乘客身份。

依據(jù)本發(fā)明另一個(gè)方面，提供了一種人體活動(dòng)識(shí)別裝置，該裝置包括：

獲取單元，用于當(dāng)接收到用戶活動(dòng)狀態(tài)的識(shí)別指令時(shí)，獲取所述識(shí)別指令中攜帶的需要對(duì)待識(shí)別用戶進(jìn)行活動(dòng)識(shí)別的識(shí)別目標(biāo)，以及獲取所述待識(shí)別用戶移動(dòng)終端的終端數(shù)據(jù)；

確定單元，用于確定與所述獲取單元獲取的識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程，不同的識(shí)別目標(biāo)分別對(duì)應(yīng)不同的分類模型組合流程，所述分類模型組合流程中包含按照預(yù)定順序排列的一個(gè)或多個(gè)分類模型；

分類單元，用于根據(jù)所述確定單元確定的分類模型組合流程和所述獲取單元獲取的終端數(shù)據(jù)的數(shù)據(jù)特征，對(duì)所述待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，得到所述待識(shí)別用戶的活動(dòng)狀態(tài)，其中，上一層級(jí)分類模型分類得到的活動(dòng)狀態(tài)與下一層級(jí)分類模型分類可選的活動(dòng)狀態(tài)之間具有上下位關(guān)系。

進(jìn)一步地，所述裝置還包括：訓(xùn)練單元；

所述獲取單元，用于獲取收集到的不同用戶移動(dòng)終端的終端數(shù)據(jù)；

所述訓(xùn)練單元，用于根據(jù)不同的活動(dòng)狀態(tài)，提取所述終端數(shù)據(jù)中相應(yīng)的特征數(shù)據(jù)進(jìn)行訓(xùn)練，得到活動(dòng)狀態(tài)對(duì)應(yīng)的分類模型；

所述確定單元，具體用于對(duì)所述識(shí)別目標(biāo)進(jìn)行解析，得到與所述識(shí)別目標(biāo)對(duì)應(yīng)的多個(gè)可選的活動(dòng)狀態(tài)；

根據(jù)所述多個(gè)可選的活動(dòng)狀態(tài)之間的上下位關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合，得到與所述識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程。

具體地，所述分類單元，具體用于若所述識(shí)別目標(biāo)為所述待識(shí)別用戶的基本活動(dòng)識(shí)別，則從所述終端數(shù)據(jù)中提取所述待識(shí)別用戶移動(dòng)終端的終端位置數(shù)據(jù)特征；

根據(jù)所述終端位置數(shù)據(jù)特征，通過(guò)基本活動(dòng)識(shí)別的決策樹分類器對(duì)所述待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行分類；

若根據(jù)分類結(jié)果確定所述待識(shí)別用戶的基本活動(dòng)狀態(tài)為步行活動(dòng)狀態(tài)，則從所述終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的加速計(jì)數(shù)據(jù)特征；

根據(jù)所述加速計(jì)數(shù)據(jù)特征，通過(guò)步行類別識(shí)別的支持向量機(jī)分類器對(duì)所述步行活動(dòng)狀態(tài)進(jìn)行分類。

所述分類單元，具體還用于若根據(jù)分類結(jié)果確定所述待識(shí)別用戶的基本活動(dòng)狀態(tài)為乘坐交通工具活動(dòng)狀態(tài)、且所述識(shí)別目標(biāo)為所述待識(shí)別用戶乘坐的交通工具識(shí)別，則從所述終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的終端位置數(shù)據(jù)特征和終端信號(hào)數(shù)據(jù)特征，所述終端信號(hào)為終端通訊信號(hào)和/或終端網(wǎng)絡(luò)信號(hào)；

根據(jù)所述終端位置數(shù)據(jù)特征和所述終端信號(hào)數(shù)據(jù)特征，通過(guò)交通工具識(shí)別的決策樹分類器對(duì)所述乘坐交通工具活動(dòng)狀態(tài)進(jìn)行分類；

若根據(jù)分類結(jié)果確定所述待識(shí)別用戶乘坐的交通工具為汽車，則從所述汽車在預(yù)定周期時(shí)間段內(nèi)的車輛運(yùn)行數(shù)據(jù)中提取車輛運(yùn)行數(shù)據(jù)特征；

根據(jù)所述車輛運(yùn)行數(shù)據(jù)特征，通過(guò)車輛類型識(shí)別的決策樹分類器進(jìn)行分類得到所述汽車的車輛類型。

具體地，所述車輛運(yùn)行數(shù)據(jù)特征包含活躍行駛范圍、行駛線路種類、每個(gè)預(yù)定時(shí)間間隔內(nèi)的車輛累計(jì)運(yùn)行時(shí)長(zhǎng)，所述確定單元，還用于通過(guò)預(yù)設(shè)DBSCAN密度聚類函數(shù)，對(duì)在所述預(yù)定周期時(shí)間段內(nèi)所述汽車的車輛位置數(shù)據(jù)進(jìn)行密度聚類，得到各個(gè)類簇；

將所述各個(gè)類簇中樣本點(diǎn)最多的類簇的中心點(diǎn)，確定為所述汽車的活躍中心點(diǎn)，并將所述樣本點(diǎn)最多的類簇中所有點(diǎn)到所述活躍中心點(diǎn)的距離最大值，確定為所述汽車的行駛活躍半徑；

根據(jù)所述活躍中心點(diǎn)和所述行駛活躍半徑，確定所述汽車的活躍行駛范圍。

進(jìn)一步地，所述分類單元，具體還用于若根據(jù)分類結(jié)果確定所述待識(shí)別用戶乘坐的交通工具為汽車、且所述識(shí)別目標(biāo)為所述待識(shí)別用戶的乘客身份識(shí)別，則從所述終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的加速計(jì)數(shù)據(jù)特征和陀螺儀數(shù)據(jù)特征；

根據(jù)所述加速計(jì)數(shù)據(jù)特征和所述陀螺儀數(shù)據(jù)特征，通過(guò)乘客身份識(shí)別的K最鄰近分類器進(jìn)行分類得到所述待識(shí)別用戶對(duì)應(yīng)的乘客身份。

借由上述技術(shù)方案，本發(fā)明提供的一種人體活動(dòng)識(shí)別方法及裝置，與目前通過(guò)多類分類器實(shí)現(xiàn)人體活動(dòng)識(shí)別的方式相比，本發(fā)明在確定與需要對(duì)待識(shí)別用戶進(jìn)行活動(dòng)識(shí)別的識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程后，根據(jù)該分類模型組合流程和待識(shí)別用戶移動(dòng)終端的終端數(shù)據(jù)的數(shù)據(jù)特征，對(duì)待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，可以將分類任務(wù)分解為多級(jí)分類任務(wù)，并且上一層級(jí)分類模型分類得到的活動(dòng)狀態(tài)與下一層級(jí)分類模型分類可選的活動(dòng)狀態(tài)之間具有上下位關(guān)系，進(jìn)而可以將一些相似人體活動(dòng)狀態(tài)先分類為一個(gè)統(tǒng)稱活動(dòng)狀態(tài)，再對(duì)該統(tǒng)稱活動(dòng)狀態(tài)進(jìn)行細(xì)分找到用戶實(shí)際的活動(dòng)狀態(tài)，整個(gè)過(guò)程減少了每一層級(jí)分類的數(shù)據(jù)特征數(shù)和活動(dòng)目標(biāo)數(shù)，避免在數(shù)據(jù)特征多、活動(dòng)類別多、數(shù)據(jù)特征交叉等復(fù)雜情況進(jìn)行直接分類，可以降低多活動(dòng)目標(biāo)識(shí)別時(shí)數(shù)據(jù)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動(dòng)識(shí)別準(zhǔn)確率低，從而提高了人體活動(dòng)識(shí)別的準(zhǔn)確性。

上述說(shuō)明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說(shuō)明書的內(nèi)容予以實(shí)施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能夠更明顯易懂，以下特舉本發(fā)明的具體實(shí)施方式。

附圖說(shuō)明

通過(guò)閱讀下文優(yōu)選實(shí)施方式的詳細(xì)描述，各種其他的優(yōu)點(diǎn)和益處對(duì)于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實(shí)施方式的目的，而并不認(rèn)為是對(duì)本發(fā)明的限制。而且在整個(gè)附圖中，用相同的參考符號(hào)表示相同的部件。在附圖中：

圖1示出了本發(fā)明實(shí)施例提供的一種人體活動(dòng)識(shí)別方法流程示意圖；

圖2示出了本發(fā)明實(shí)施例提供的一種活動(dòng)狀態(tài)分類實(shí)例示意圖；

圖3示出了本發(fā)明實(shí)施例提供的另一種人體活動(dòng)識(shí)別方法流程示意圖；

圖4示出了本發(fā)明實(shí)施例提供的一種所有活動(dòng)識(shí)別的實(shí)例示意圖；

圖5示出了本發(fā)明實(shí)施例提供的五個(gè)分類模型實(shí)例示意圖；

圖6示出了本發(fā)明實(shí)施例提供的一種確定活躍行駛范圍的方法流程示意圖；

圖7示出了本發(fā)明實(shí)施例提供的一種確定車輛類型的方法流程示意圖；

圖8示出了本發(fā)明實(shí)施例提供的一種人體活動(dòng)識(shí)別裝置結(jié)構(gòu)示意圖；

圖9示出了本發(fā)明實(shí)施例提供的另一種人體活動(dòng)識(shí)別裝置結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將參照附圖更詳細(xì)地描述本公開(kāi)的示例性實(shí)施例。雖然附圖中顯示了本公開(kāi)的示例性實(shí)施例，然而應(yīng)當(dāng)理解，可以以各種形式實(shí)現(xiàn)本公開(kāi)而不應(yīng)被這里闡述的實(shí)施例所限制。相反，提供這些實(shí)施例是為了能夠更透徹地理解本公開(kāi)，并且能夠?qū)⒈竟_(kāi)的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

本發(fā)明實(shí)施例提供了一種人體活動(dòng)識(shí)別方法，可以降低多活動(dòng)目標(biāo)識(shí)別時(shí)特征選取的復(fù)雜度，可以提高人體活動(dòng)識(shí)別的準(zhǔn)確性，如圖1所示，該方法包括：

101、當(dāng)接收到用戶活動(dòng)狀態(tài)的識(shí)別指令時(shí)，獲取識(shí)別指令中攜帶的需要對(duì)待識(shí)別用戶進(jìn)行活動(dòng)識(shí)別的識(shí)別目標(biāo)，以及獲取待識(shí)別用戶移動(dòng)終端的終端數(shù)據(jù)。

其中，終端數(shù)據(jù)可以包含移動(dòng)終端中全球定位系統(tǒng)(Global Positioning System，GPS)定位器采集的數(shù)據(jù)、以及各個(gè)傳感器采集的數(shù)據(jù)等。而識(shí)別目標(biāo)可以為基本人體活動(dòng)的識(shí)別目標(biāo)，該目標(biāo)可以識(shí)別出待識(shí)別用戶的活動(dòng)狀態(tài)具體是走路、跑步、乘坐交通工具等活動(dòng)中的哪一個(gè)；識(shí)別目標(biāo)還可以為交通工具的識(shí)別目標(biāo)，該目標(biāo)可以識(shí)別出用戶乘坐的交通工具具體是飛機(jī)、高鐵、火車、汽車、地鐵等交通工具中的哪一個(gè)。需要說(shuō)明的是，在本發(fā)明實(shí)施例中，對(duì)于待識(shí)別用戶可選的識(shí)別目標(biāo)，可以根據(jù)不同的實(shí)際需求進(jìn)行預(yù)先設(shè)定，以便滿足不同的用戶需求。

在本發(fā)明實(shí)施例中，可以通過(guò)采集移動(dòng)終端的終端數(shù)據(jù)，對(duì)人體活動(dòng)狀態(tài)進(jìn)行識(shí)別，其中，移動(dòng)終端可以為智能手機(jī)、平板電腦、智能手表、智能手環(huán)等設(shè)備。目前移動(dòng)終端中的軟硬件功能強(qiáng)大，移動(dòng)終端中集成的傳感器種類繁多，包括陀螺儀傳感器、距離傳感器、燈光傳感器、磁力傳感器等。并且目前用戶對(duì)移動(dòng)終端的依賴程度較高，用戶會(huì)經(jīng)常攜帶移動(dòng)終端，因此，可以通過(guò)采集移動(dòng)終端中這些傳感器收集到的數(shù)據(jù)進(jìn)行分析識(shí)別，識(shí)別出待識(shí)別用戶具體的活動(dòng)狀態(tài)。而對(duì)于本發(fā)明實(shí)施例的執(zhí)行主體可以為用于根據(jù)采集到的待識(shí)別用戶移動(dòng)終端的終端數(shù)據(jù)進(jìn)行人體活動(dòng)識(shí)別的裝置，該裝置在接收到用戶活動(dòng)狀態(tài)的識(shí)別指令時(shí)，可以對(duì)識(shí)別指令進(jìn)行解析，得到需要對(duì)待識(shí)別用戶進(jìn)行活動(dòng)識(shí)別的識(shí)別目標(biāo)，以及根據(jù)識(shí)別指令獲取待識(shí)別用戶移動(dòng)終端的終端數(shù)據(jù)。

102、確定與識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程。

其中，不同的識(shí)別目標(biāo)分別對(duì)應(yīng)不同的分類模型組合流程。分類模型組合流程中包含按照預(yù)定順序排列的一個(gè)或多個(gè)分類模型。在本發(fā)明實(shí)施例中，可以預(yù)先根據(jù)不同的活動(dòng)狀態(tài)之間的上下位關(guān)系，將多個(gè)相似的活動(dòng)狀態(tài)進(jìn)行合并和抽象處理，并且訓(xùn)練相應(yīng)的分類模型。例如，對(duì)于走路活動(dòng)狀態(tài)和跑步活動(dòng)狀態(tài)，可以合并抽象為步行活動(dòng)狀態(tài)，而對(duì)于步行活動(dòng)狀態(tài)，由于不同人跑步和走路狀態(tài)存在差異，需要大量的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，因此可以選用支持向量機(jī)分類器作為該步行活動(dòng)狀態(tài)相應(yīng)的分類模型，并收集相應(yīng)的樣本數(shù)據(jù)對(duì)該分類模型進(jìn)行訓(xùn)練。

在對(duì)每個(gè)分類模型訓(xùn)練完畢后，可以得到不同層級(jí)關(guān)系的分類模型。例如，如圖2所示，通過(guò)分類模型1對(duì)用戶活動(dòng)狀態(tài)進(jìn)行分類，可選的活動(dòng)狀態(tài)有活動(dòng)1、活動(dòng)2、抽象活動(dòng)，進(jìn)一步地，對(duì)這個(gè)抽象活動(dòng)再進(jìn)行活動(dòng)狀態(tài)分類時(shí)，可選的活動(dòng)狀態(tài)有活動(dòng)3和活動(dòng)4，這里活動(dòng)3和活動(dòng)4可以認(rèn)為是兩個(gè)相似活動(dòng)狀態(tài)，而抽象活動(dòng)可以是由活動(dòng)3和活動(dòng)4合并抽象得到的統(tǒng)稱活動(dòng)，由此分類模型1與分類模型2之間具有上下層級(jí)關(guān)系，分類模型1是分類模型2的上一層級(jí)的分類模型，這樣使得在每一層級(jí)分類時(shí)，減少需要提取的數(shù)據(jù)特征，避免數(shù)據(jù)特征提取偏差。

對(duì)于本發(fā)明實(shí)施例，可以根據(jù)具體的識(shí)別目標(biāo)和分類模型之間的層級(jí)關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合排序，得到與該識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程，以便根據(jù)該分類模型組合流程進(jìn)行人體活動(dòng)識(shí)別。

103、根據(jù)確定的分類模型組合流程和終端數(shù)據(jù)的數(shù)據(jù)特征，對(duì)待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，得到待識(shí)別用戶的活動(dòng)狀態(tài)。

其中，上一層級(jí)分類模型分類得到的活動(dòng)狀態(tài)與下一層級(jí)分類模型分類可選的活動(dòng)狀態(tài)之間具有上下位關(guān)系。例如，通過(guò)上一層級(jí)分類模型分類得到的活動(dòng)狀態(tài)為步行活動(dòng)狀態(tài)，而下一層級(jí)分類模型分類可選的活動(dòng)狀態(tài)為走路活動(dòng)狀態(tài)、跑步活動(dòng)狀態(tài)，這里步行活動(dòng)狀態(tài)與走路活動(dòng)狀態(tài)、跑步活動(dòng)狀態(tài)之間具有上下位關(guān)系。

例如，識(shí)別目標(biāo)是基本人體活動(dòng)的識(shí)別目標(biāo)，根據(jù)與其對(duì)應(yīng)的分類模型組合流程，對(duì)待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類：首先從終端數(shù)據(jù)中提取全球定位系統(tǒng)數(shù)據(jù)的數(shù)據(jù)特征，該數(shù)據(jù)特征包括：移動(dòng)速度最大值，根據(jù)該特征，通過(guò)分類模型1進(jìn)行分類，進(jìn)而確定待識(shí)別用戶當(dāng)前處于步行活動(dòng)狀態(tài)，然后再?gòu)慕K端數(shù)據(jù)中提取加速計(jì)數(shù)據(jù)的數(shù)據(jù)特征，該數(shù)據(jù)特征包括：加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和，根據(jù)該特征，通過(guò)分類模型2進(jìn)行分類，最后確定待識(shí)別用戶當(dāng)前具體處于跑步活動(dòng)狀態(tài)，與目前通過(guò)多類分類器直接根據(jù)提取的數(shù)據(jù)特征進(jìn)行分類的方式相比，可以確定待識(shí)別用戶實(shí)際是哪個(gè)基本人體活動(dòng)狀態(tài)。

本發(fā)明實(shí)施例提供的一種人體活動(dòng)識(shí)別方法，通過(guò)對(duì)待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，可以將分類任務(wù)分解為多級(jí)分類任務(wù)，并且上一層級(jí)分類模型分類得到的活動(dòng)狀態(tài)與下一層級(jí)分類模型分類可選的活動(dòng)狀態(tài)之間具有上下位關(guān)系，進(jìn)而可以將一些相似人體活動(dòng)狀態(tài)先分類為一個(gè)統(tǒng)稱活動(dòng)狀態(tài)，再對(duì)該統(tǒng)稱活動(dòng)狀態(tài)進(jìn)行細(xì)分找到待識(shí)別用戶實(shí)際的活動(dòng)狀態(tài)，整個(gè)過(guò)程減少了每一層級(jí)分類的數(shù)據(jù)特征數(shù)和活動(dòng)目標(biāo)數(shù)，可以降低多活動(dòng)目標(biāo)識(shí)別時(shí)數(shù)據(jù)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動(dòng)識(shí)別準(zhǔn)確率低，從而提高了人體活動(dòng)識(shí)別的準(zhǔn)確性。

為了更好的對(duì)上述圖1所示的方法進(jìn)行理解，作為對(duì)上述實(shí)施方式的細(xì)化和擴(kuò)展，本發(fā)明實(shí)施例提供了另一種人體活動(dòng)識(shí)別方法，如圖3所示，該方法包括：

201、當(dāng)接收到用戶活動(dòng)狀態(tài)的識(shí)別指令時(shí)，獲取識(shí)別指令中攜帶的需要對(duì)待識(shí)別用戶進(jìn)行活動(dòng)識(shí)別的識(shí)別目標(biāo)，以及獲取待識(shí)別用戶移動(dòng)終端的終端數(shù)據(jù)。

對(duì)于本發(fā)明實(shí)施例，可以根據(jù)實(shí)際需要選擇用戶活動(dòng)狀態(tài)的識(shí)別目標(biāo)，即需要識(shí)別到哪一程度。例如，可以識(shí)別的活動(dòng)狀態(tài)及其級(jí)別劃分如圖4所示，涵蓋了人們?nèi)粘Ｆ毡榈幕顒?dòng)狀態(tài)(靜止、步行、乘交通工具)、角色(乘客或駕駛員)和常用的交通工具(飛機(jī)、高鐵、地鐵、火車、公交車、大客車、私家車、出租車)。具體可以分為四級(jí)分類，5個(gè)分類模型(①②③④⑤)，每一層級(jí)分類參考的數(shù)據(jù)特征存在差異。如圖4所示，根據(jù)實(shí)際需要可以選擇相應(yīng)的用戶活動(dòng)狀態(tài)的識(shí)別目標(biāo)，如基本人體活動(dòng)的識(shí)別、交通工具的識(shí)別、乘坐汽車時(shí)的角色識(shí)別、乘坐汽車時(shí)的車輛類型識(shí)別等識(shí)別目標(biāo)。

為了能夠?qū)τ脩艋顒?dòng)狀態(tài)及時(shí)進(jìn)行識(shí)別，需要提前訓(xùn)練完畢相應(yīng)的分類模型，以便得到準(zhǔn)確的分類結(jié)果，因此，在步驟201之前，還包括：獲取收集到的不同用戶移動(dòng)終端的終端數(shù)據(jù)；根據(jù)不同的活動(dòng)狀態(tài)，提取終端數(shù)據(jù)中相應(yīng)的特征數(shù)據(jù)進(jìn)行訓(xùn)練，得到活動(dòng)狀態(tài)對(duì)應(yīng)的分類模型。

例如，可以提前收集不同樣本用戶的移動(dòng)終端的終端數(shù)據(jù)，提取相應(yīng)的特征數(shù)據(jù)訓(xùn)練分類模型，如圖4所示，每一級(jí)分類都可以選取最適宜、準(zhǔn)確度最高的分類模型，以便提高整體活動(dòng)識(shí)別的準(zhǔn)確度，各級(jí)分類模型數(shù)據(jù)源和數(shù)據(jù)特征如圖5所示，每個(gè)分類模型具體如下：

對(duì)于分類模型①，該模型數(shù)據(jù)源是全球定位系統(tǒng)數(shù)據(jù)，參考的數(shù)據(jù)特征包括速度最大值，可以實(shí)現(xiàn)靜止?fàn)顟B(tài)、步行狀態(tài)、乘坐交通工具狀態(tài)的分類。由于該模型特征數(shù)據(jù)少，特征具有明顯的界限，可以選用決策樹分類器，使得分類模型執(zhí)行效率較高，并提取不同樣本用戶的終端數(shù)據(jù)的特征數(shù)據(jù)訓(xùn)練該分類模型，例如，提取不同樣本用戶分別處于靜止?fàn)顟B(tài)、步行狀態(tài)、乘坐交通工具狀態(tài)時(shí)的移動(dòng)終端速度最大值的特征數(shù)據(jù)，根據(jù)該特征數(shù)據(jù)訓(xùn)練決策樹分類器，得到可以實(shí)現(xiàn)靜止?fàn)顟B(tài)、步行狀態(tài)、乘坐交通工具狀態(tài)分類的分類模型；

對(duì)于分類模型②，該模型數(shù)據(jù)源是加速計(jì)數(shù)據(jù)，參考的數(shù)據(jù)特征包括加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和，可以實(shí)現(xiàn)走路狀態(tài)、跑步狀態(tài)的分類。由于該模型屬于二分類模型，并且不同人跑步和走路狀態(tài)存在差異，因此該模型需要大量的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，所以選用支持向量機(jī)分類器，例如，提取不同樣本用戶分別處于走路狀態(tài)、跑步狀態(tài)時(shí)的移動(dòng)終端加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和的特征數(shù)據(jù)，根據(jù)該特征數(shù)據(jù)訓(xùn)練支持向量機(jī)分類器，得到可以實(shí)現(xiàn)走路狀態(tài)、跑步狀態(tài)分類的分類模型；

對(duì)于分類模型③，該模型數(shù)據(jù)源是全球定位系統(tǒng)數(shù)據(jù)，參考的數(shù)據(jù)特征包括速度平均值、全球定位系統(tǒng)衛(wèi)星個(gè)數(shù)、終端信號(hào)強(qiáng)度平均值，可以實(shí)現(xiàn)飛機(jī)、高鐵、汽車、地鐵、火車等交通工具的識(shí)別，其中，該終端信號(hào)可以包含終端通訊信號(hào)和網(wǎng)絡(luò)信號(hào)等。由于該模型需要的訓(xùn)練數(shù)據(jù)少，選用決策樹分類器，使得模型訓(xùn)練和執(zhí)行效率較高，例如，可以提取不同樣本用戶分別乘坐飛機(jī)、高鐵、汽車、地鐵、火車等交通工具時(shí)的移動(dòng)終端速度平均值、全球定位系統(tǒng)衛(wèi)星個(gè)數(shù)、終端信號(hào)強(qiáng)度平均值的特征數(shù)據(jù)，根據(jù)該特征數(shù)據(jù)訓(xùn)練決策樹分類器，得到可以實(shí)現(xiàn)飛機(jī)、高鐵、汽車、地鐵、火車等交通工具識(shí)別的分類模型；

對(duì)于分類模型④，該模型數(shù)據(jù)源是加速計(jì)數(shù)據(jù)、陀螺儀數(shù)據(jù)，參考的數(shù)據(jù)特征包括加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和、陀螺儀數(shù)據(jù)標(biāo)準(zhǔn)差，在駕駛員在駕駛過(guò)程中把移動(dòng)終端放置在車內(nèi)、不隨身攜帶的前提下，通過(guò)分類模型④可以實(shí)現(xiàn)駕駛員、乘客的識(shí)別。由于駕駛員和乘客特征存在交叉，選用K最鄰近分類器，不僅可以實(shí)現(xiàn)狀態(tài)分類，還可以給出屬于某個(gè)類別的概率值，模型調(diào)用者可以結(jié)合類別和概率值進(jìn)行特性設(shè)計(jì)，例如，可以提取不同樣本用戶分別作為駕駛員、乘客時(shí)的移動(dòng)終端加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和、陀螺儀數(shù)據(jù)標(biāo)準(zhǔn)差的特征數(shù)據(jù)，根據(jù)該特征數(shù)據(jù)訓(xùn)練K最鄰近分類器，得到可以實(shí)現(xiàn)駕駛員、乘客識(shí)別的分類模型；

對(duì)于分類模型⑤，該模型特征選取和分類過(guò)程不同于其他四個(gè)分類模型，因?yàn)槌丝驮诔俗郊臆?、公交車、大客車、出租車時(shí)終端采集的數(shù)據(jù)幾乎無(wú)差異，因此該模型基于各種車輛一定周期內(nèi)運(yùn)行數(shù)據(jù)，對(duì)車輛的類型進(jìn)行分類，而車輛運(yùn)行數(shù)據(jù)可以通過(guò)放置在車輛中特定終端收集，也可以通過(guò)用戶放置在車輛中的移動(dòng)終端收集。根據(jù)用戶的移動(dòng)終端數(shù)據(jù)，若檢測(cè)到同一時(shí)間段內(nèi)用戶的行進(jìn)路線與某一車輛的行進(jìn)路線相同，且行進(jìn)速度也保持一致，即乘客與某一車輛保持相對(duì)靜止，則說(shuō)明該車輛的車輛類型即為該乘客乘坐車輛的車輛類型。該模型的數(shù)據(jù)源是車輛一定周期內(nèi)運(yùn)行數(shù)據(jù)，參考的數(shù)據(jù)特征包括活躍行駛范圍、行駛線路種類、每個(gè)預(yù)定時(shí)間間隔內(nèi)的車輛累計(jì)運(yùn)行時(shí)長(zhǎng)，實(shí)現(xiàn)私家車、公交車、大客車、出租車等車輛類型的識(shí)別，由于該模型需要的訓(xùn)練特征數(shù)據(jù)少，選用決策樹分類器，使得模型訓(xùn)練和執(zhí)行效率較高，例如，可以提取不同樣本用戶分別乘坐私家車、公交車、大客車、出租車時(shí)移動(dòng)終端采集的車輛一定周期內(nèi)的運(yùn)行數(shù)據(jù)特征，根據(jù)該特征訓(xùn)練決策樹分類器，得到可以實(shí)現(xiàn)私家車、公交車、大客車、出租車識(shí)別的分類模型。其中，預(yù)定時(shí)間間隔可以根據(jù)實(shí)際需求進(jìn)行設(shè)定，如每個(gè)預(yù)定時(shí)間間隔可以為每個(gè)季度、每月、每半個(gè)月等，車輛累計(jì)運(yùn)行時(shí)長(zhǎng)可以為車輛累計(jì)駕駛時(shí)間；行駛線路種類包括將駕駛數(shù)據(jù)按行程劃分，行程是一次有起點(diǎn)和終點(diǎn)的駕駛?cè)蝿?wù)，具有相同起點(diǎn)和終點(diǎn)的線路可以認(rèn)為是一種線路；

而活躍行駛范圍可以為車輛常規(guī)的運(yùn)行區(qū)域，首先需要排除車輛非經(jīng)常性運(yùn)行區(qū)域?qū)钴S行駛范圍計(jì)算的影響，具體計(jì)算流程如圖6所示，包括：通過(guò)預(yù)設(shè)DBSCAN密度聚類函數(shù)，對(duì)在預(yù)定周期時(shí)間段內(nèi)汽車的車輛位置數(shù)據(jù)進(jìn)行密度聚類，得到各個(gè)類簇；將各個(gè)類簇中樣本點(diǎn)最多的類簇的中心點(diǎn)，確定為汽車的活躍中心點(diǎn)，并將樣本點(diǎn)最多的類簇中所有點(diǎn)到活躍中心點(diǎn)的距離最大值，確定為汽車的行駛活躍半徑；根據(jù)活躍中心點(diǎn)和行駛活躍半徑，確定汽車的活躍行駛范圍。其中，預(yù)設(shè)DBSCAN密度聚類函數(shù)可以根據(jù)DBSCAN密度聚類算法預(yù)先進(jìn)行編寫設(shè)置。具體地，活躍行駛范圍的計(jì)算基于車輛一定周期內(nèi)的位置數(shù)據(jù)，首先運(yùn)用DBSCAN密度聚類算法對(duì)位置數(shù)據(jù)進(jìn)行聚類，排除非經(jīng)常運(yùn)行線路位置對(duì)計(jì)算結(jié)果的影響。與K-means方法相比，DBSCAN密度聚類算法不需要事先知道需要形成的類簇?cái)?shù)量，可以發(fā)現(xiàn)任意形狀的簇類，能夠識(shí)別出噪聲點(diǎn)。聚類后得到的樣本點(diǎn)最多的類簇是車輛經(jīng)常的運(yùn)行區(qū)域。類簇的中心點(diǎn)是車輛的活躍中心，活躍中心的計(jì)算方法是所有點(diǎn)經(jīng)緯度的均值的位置，而活動(dòng)半徑是類簇中所有點(diǎn)到中心點(diǎn)的距離最大值。

需要說(shuō)明的是，如果得到的分類模型分類的準(zhǔn)確性不理想，可以通過(guò)增加數(shù)據(jù)源、特征類型、優(yōu)化分類模型的方式提升分類模型的分類準(zhǔn)確性。

202、確定與識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程。

步驟202具體包括：對(duì)識(shí)別目標(biāo)進(jìn)行解析，得到與識(shí)別目標(biāo)對(duì)應(yīng)的多個(gè)可選的活動(dòng)狀態(tài)；根據(jù)多個(gè)可選的活動(dòng)狀態(tài)之間的上下位關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合，得到與識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程。

例如，如圖4所示，當(dāng)識(shí)別目標(biāo)為基本人體活動(dòng)的識(shí)別1(靜止、步行、乘坐交通工具)時(shí)，與該目標(biāo)對(duì)應(yīng)的分類模型組合流程為分類模型①；當(dāng)識(shí)別目標(biāo)為基本人體活動(dòng)的識(shí)別2(靜止、走路、跑步、乘坐交通工具)時(shí)，與該目標(biāo)對(duì)應(yīng)的分類模型組合流程為分類模型①→②；當(dāng)識(shí)別目標(biāo)為交通工具的識(shí)別1(飛機(jī)、高鐵、火車、汽車、地鐵)時(shí)，與該目標(biāo)對(duì)應(yīng)的分類模型組合流程為分類模型①→③；當(dāng)識(shí)別目標(biāo)為交通工具的識(shí)別2(飛機(jī)、高鐵、火車、汽車、地鐵、出租車、私家車、大客車、公交車)時(shí)，與該目標(biāo)對(duì)應(yīng)的分類模型組合流程為分類模型①→③→④→⑤；當(dāng)識(shí)別目標(biāo)為乘客識(shí)別時(shí)，與該目標(biāo)對(duì)應(yīng)的分類模型組合流程為分類模型①→③→④；當(dāng)識(shí)別目標(biāo)為所有活動(dòng)識(shí)別時(shí)，①→②→③→④→⑤。因此，可以實(shí)現(xiàn)的識(shí)別目標(biāo)和分類模型組合流程如表1所示：

表1

對(duì)于本發(fā)明實(shí)施例，可以實(shí)現(xiàn)多目標(biāo)人體活動(dòng)識(shí)別，可以滿足不同的用戶需求，而為了說(shuō)明本發(fā)明實(shí)施例的人體活動(dòng)識(shí)別方法，以識(shí)別目標(biāo)為所有活動(dòng)的識(shí)別為例，依次執(zhí)行以下步驟。

203、從終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的終端位置數(shù)據(jù)特征。

其中，終端位置數(shù)據(jù)特征包括移動(dòng)速度最大值。

在本發(fā)明實(shí)施例中，用戶身上攜帶移動(dòng)終端，通過(guò)移動(dòng)終端不同時(shí)刻的終端位置數(shù)據(jù)可以確定移動(dòng)終端的移動(dòng)速度最大值，進(jìn)而確定用戶的移動(dòng)速度最大值。

204、根據(jù)終端位置數(shù)據(jù)特征，通過(guò)基本活動(dòng)識(shí)別的決策樹分類器對(duì)待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行分類。

例如，根據(jù)移動(dòng)終端在一定時(shí)間段內(nèi)的GPS數(shù)據(jù)，計(jì)算待識(shí)別用戶的移動(dòng)速度最大值，然后將待識(shí)別用戶的移動(dòng)速度最大值帶入到基本活動(dòng)識(shí)別的決策樹分類器，即步驟201中的分類模型①中，確定該移動(dòng)速度最大值屬于靜止?fàn)顟B(tài)、步行狀態(tài)、乘坐交通工具狀態(tài)中的哪一個(gè)速度最大值范圍內(nèi)，進(jìn)而可以實(shí)現(xiàn)靜止?fàn)顟B(tài)、步行狀態(tài)、乘坐交通工具狀態(tài)的分類，通過(guò)基本活動(dòng)識(shí)別的決策樹分類器進(jìn)行分類可以提高執(zhí)行效率，當(dāng)檢測(cè)出待識(shí)別用戶的活動(dòng)狀態(tài)為靜止?fàn)顟B(tài)時(shí)，可以從該用戶的移動(dòng)終端數(shù)據(jù)中提取其他的特定數(shù)據(jù)特征，用于進(jìn)一步地檢測(cè)該用戶具體的活動(dòng)狀態(tài)是吃飯、睡覺(jué)、做運(yùn)動(dòng)等活動(dòng)中的哪一個(gè)活動(dòng)狀態(tài)，需要說(shuō)明的是，此時(shí)移動(dòng)終端為待識(shí)別用戶隨身佩帶的終端設(shè)備，具體可以為智能手表、智能手環(huán)等。

205a、若根據(jù)分類結(jié)果確定待識(shí)別用戶的基本活動(dòng)狀態(tài)為步行活動(dòng)狀態(tài)，則從終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的加速計(jì)數(shù)據(jù)特征。

其中，加速計(jì)數(shù)據(jù)特征包括加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和。

206a、根據(jù)加速計(jì)數(shù)據(jù)特征，通過(guò)步行類別識(shí)別的支持向量機(jī)分類器對(duì)步行活動(dòng)狀態(tài)進(jìn)行分類。

例如，將待識(shí)別用戶移動(dòng)終端的加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和這些數(shù)據(jù)特征帶入到步行類別識(shí)別的支持向量機(jī)分類器，即步驟201中的分類模型中②，計(jì)算得到這些數(shù)據(jù)特征屬于走路狀態(tài)、跑步狀態(tài)中的哪一個(gè)數(shù)據(jù)特征范圍內(nèi)，進(jìn)而可以實(shí)現(xiàn)走路狀態(tài)和跑步狀態(tài)的分類。若根據(jù)分類結(jié)果確定待識(shí)別用戶的活動(dòng)狀態(tài)為走路狀態(tài)，并且待識(shí)別用戶的移動(dòng)平均速度接近于跑步平均速度，那么可以進(jìn)一步確定該用戶處于競(jìng)走狀態(tài)。

與步驟205a并列的步驟205b、若根據(jù)分類結(jié)果確定待識(shí)別用戶的基本活動(dòng)狀態(tài)為乘坐交通工具活動(dòng)狀態(tài)，則從終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的終端位置數(shù)據(jù)特征和終端信號(hào)數(shù)據(jù)特征。

其中，終端位置數(shù)據(jù)特征包括移動(dòng)速度平均值、全球定位系統(tǒng)衛(wèi)星個(gè)數(shù)，終端信號(hào)數(shù)據(jù)特征包括終端信號(hào)強(qiáng)度平均值，該終端信號(hào)可以為終端通訊信號(hào)和/或網(wǎng)絡(luò)信號(hào)。

206b、根據(jù)終端位置數(shù)據(jù)特征和終端信號(hào)數(shù)據(jù)特征，通過(guò)交通工具識(shí)別的決策樹分類器對(duì)乘坐交通工具活動(dòng)狀態(tài)進(jìn)行分類。

例如，將待識(shí)別用戶移動(dòng)終端的移動(dòng)速度平均值、全球定位系統(tǒng)衛(wèi)星個(gè)數(shù)、終端信號(hào)強(qiáng)度平均值這些數(shù)據(jù)特征帶入到交通工具識(shí)別的決策樹分類器，即步驟201中的分類模型③中，計(jì)算得到這些數(shù)據(jù)特征屬于飛機(jī)、高鐵、汽車、地鐵、火車等中的哪一個(gè)數(shù)據(jù)特征范圍內(nèi)，進(jìn)而可以實(shí)現(xiàn)飛機(jī)、高鐵、汽車、地鐵、火車等交通工具的識(shí)別，通過(guò)交通工具識(shí)別的決策樹分類器進(jìn)行分類可以提高執(zhí)行效率。若根據(jù)分類結(jié)果確定待識(shí)別用戶乘坐的交通工具為飛機(jī)，進(jìn)一步地，還可以結(jié)合該用戶終端位置的變化，確定飛行航線，查找此時(shí)相應(yīng)的航班班次，進(jìn)而確定該用戶此時(shí)正在乘坐哪一架航班的飛機(jī)；同理，若確定待識(shí)別用戶乘坐的交通工具為高鐵、火車中的一種，進(jìn)一步還可以結(jié)合該用戶終端位置的變化，確定行駛路線，并最終確定該用戶此時(shí)正在乘坐哪一趟列車；若根據(jù)分類結(jié)果確定待識(shí)別用戶乘坐的交通工具為地鐵，進(jìn)一步還可以結(jié)合該用戶終端位置，以及終端位置的變化，確定該用戶在哪個(gè)城市坐地鐵，并且坐的是幾號(hào)線路，以及地鐵行駛方向等。

207b、若根據(jù)分類結(jié)果確定待識(shí)別用戶乘坐的交通工具為汽車，則從終端數(shù)據(jù)中提取用戶移動(dòng)終端的加速計(jì)數(shù)據(jù)特征和陀螺儀數(shù)據(jù)特征。

其中，加速計(jì)數(shù)據(jù)特征包括加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和，而陀螺儀數(shù)據(jù)特征包括陀螺儀數(shù)據(jù)標(biāo)準(zhǔn)差。

208b、根據(jù)加速計(jì)數(shù)據(jù)特征和陀螺儀數(shù)據(jù)特征，通過(guò)乘客身份識(shí)別的K最鄰近分類器進(jìn)行分類得到用戶對(duì)應(yīng)的乘客身份。

例如，在駕駛員在駕駛過(guò)程中把移動(dòng)終端放置在車內(nèi)、不隨身攜帶的前提下，將待識(shí)別用戶移動(dòng)終端的加速度標(biāo)準(zhǔn)差、加速度25分位數(shù)之和、加速度75分位數(shù)之和、陀螺儀數(shù)據(jù)標(biāo)準(zhǔn)差帶入到乘客身份識(shí)別的K最鄰近分類器，即步驟201中的分類模型④中，計(jì)算得到這些數(shù)據(jù)特征屬于駕駛員、乘客中的哪一個(gè)數(shù)據(jù)特征范圍內(nèi)，進(jìn)而可以實(shí)現(xiàn)駕駛員、乘客的識(shí)別。并且由于駕駛員和乘客特征存在交叉，選用乘客身份識(shí)別的K最鄰近分類器，不僅可以實(shí)現(xiàn)狀態(tài)分類，還可以給出屬于某個(gè)類別的概率值。

在待識(shí)別用戶確定乘客身份之后，還可以進(jìn)一步確定該用戶此時(shí)乘坐汽車的車輛類型，即執(zhí)行步驟209b。

209b、從汽車在預(yù)定周期時(shí)間段內(nèi)的車輛運(yùn)行數(shù)據(jù)中提取車輛運(yùn)行數(shù)據(jù)特征。

其中，車輛運(yùn)行數(shù)據(jù)特征包含活躍行駛范圍、行駛線路種類、每個(gè)預(yù)定時(shí)間間隔內(nèi)的車輛累計(jì)運(yùn)行時(shí)長(zhǎng)。預(yù)定周期時(shí)間段可以根據(jù)實(shí)際需求進(jìn)行選擇配置。例如，預(yù)定周期時(shí)間段可以為車輛類型識(shí)別的決策樹分類器的訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的時(shí)間段。

210b、根據(jù)車輛運(yùn)行數(shù)據(jù)特征，通過(guò)車輛類型識(shí)別的決策樹分類器進(jìn)行分類得到汽車的車輛類型。

對(duì)于本發(fā)明實(shí)施例，對(duì)車輛類型的識(shí)別需要參考該車輛一定周期內(nèi)運(yùn)行的數(shù)據(jù)，具體的識(shí)別流程可以參考圖7，首先根據(jù)待識(shí)別用戶的移動(dòng)終端數(shù)據(jù)進(jìn)行檢測(cè)，若檢測(cè)到同一時(shí)間段內(nèi)待識(shí)別用戶的行進(jìn)路線與某一車輛的行進(jìn)路線相同，且行進(jìn)速度也保持一致，即乘客與某一車輛保持相對(duì)靜止，則說(shuō)明該車輛的車輛類型即為該乘客乘坐車輛的車輛類型，然后根據(jù)該車輛的在一定周期內(nèi)運(yùn)行的數(shù)據(jù)，通過(guò)車輛類型識(shí)別的決策樹分類器進(jìn)行分類，其中，該車輛在一定周期內(nèi)運(yùn)行的數(shù)據(jù)可以通過(guò)放置在車輛中特定終端收集，也可以通過(guò)用戶放置在車輛中的移動(dòng)終端收集。

例如，將待識(shí)別車輛的活躍行駛范圍、行駛線路種類、每個(gè)預(yù)定時(shí)間間隔內(nèi)的車輛累計(jì)運(yùn)行時(shí)長(zhǎng)這些數(shù)據(jù)特征帶入到車輛類型識(shí)別的決策樹分類器，即步驟201中的分類模型⑤中，計(jì)算得到這些數(shù)據(jù)特征屬于私家車、公交車、大客車、出租車等中的哪一個(gè)數(shù)據(jù)特征范圍內(nèi)，進(jìn)而可以實(shí)現(xiàn)私家車、公交車、大客車、出租車等車輛類型的識(shí)別。

對(duì)于本發(fā)明實(shí)施例的具體應(yīng)用場(chǎng)景可以如下所示，但不限于此，包括：

根據(jù)本發(fā)明實(shí)施例提供的人體活動(dòng)識(shí)別方法，在用戶移動(dòng)終端中配置相應(yīng)的客戶端應(yīng)用，通過(guò)該客戶端應(yīng)用可以監(jiān)測(cè)用戶每一天內(nèi)所經(jīng)歷的各個(gè)活動(dòng)狀態(tài)，幫助用戶可以更好的了解自身的健康狀況。具體地，當(dāng)該客戶端應(yīng)用需要對(duì)待識(shí)別用戶進(jìn)行活動(dòng)狀態(tài)識(shí)別時(shí)，可以首先默認(rèn)設(shè)置相應(yīng)的識(shí)別目標(biāo)為基本活動(dòng)識(shí)別目標(biāo)，根據(jù)待識(shí)別用戶移動(dòng)終端當(dāng)前采集到的一定時(shí)間段內(nèi)的GPS數(shù)據(jù)，計(jì)算待識(shí)別用戶的移動(dòng)速度最大值，然后將待識(shí)別用戶的移動(dòng)速度最大值帶入到基本活動(dòng)識(shí)別的決策樹分類器中進(jìn)行計(jì)算分類，根據(jù)分類結(jié)果和當(dāng)前所屬的時(shí)間段，記錄該待識(shí)別用戶的活動(dòng)狀態(tài)。若待識(shí)別用戶的活動(dòng)狀態(tài)為步行狀態(tài)或乘坐交通工具狀態(tài)，還可以進(jìn)一步設(shè)置新的識(shí)別目標(biāo)并提取待識(shí)別用戶移動(dòng)終端新的特征數(shù)據(jù)，再進(jìn)行更細(xì)粒度的待識(shí)別用戶的活動(dòng)狀態(tài)識(shí)別，進(jìn)而可以識(shí)別出待識(shí)別用戶的活動(dòng)狀態(tài)是否為走路狀態(tài)或跑步狀態(tài)、又或者為乘坐‘飛機(jī)、高鐵、汽車、地鐵、火車’等中的哪一個(gè)交通工具，最后根據(jù)識(shí)別結(jié)果和當(dāng)前所屬的時(shí)間段，記錄該待識(shí)別用戶的活動(dòng)狀態(tài)，以便用戶了解一天中自身所經(jīng)歷了哪些活動(dòng)狀態(tài)，每一種活動(dòng)狀態(tài)都經(jīng)歷了多長(zhǎng)時(shí)間。

本發(fā)明實(shí)施例提供的另一種人體活動(dòng)識(shí)別方法，可以實(shí)現(xiàn)多目標(biāo)人體活動(dòng)識(shí)別，通過(guò)對(duì)待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，可以將分類任務(wù)分解為多級(jí)分類任務(wù)，整個(gè)過(guò)程減少了每一層級(jí)分類的數(shù)據(jù)特征數(shù)和活動(dòng)目標(biāo)數(shù)，同時(shí)每一級(jí)分類可以選取最適宜、準(zhǔn)確度最高的分類方法，可以降低多活動(dòng)目標(biāo)識(shí)別時(shí)數(shù)據(jù)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動(dòng)識(shí)別準(zhǔn)確率低，從而提高了人體活動(dòng)識(shí)別的準(zhǔn)確性。

進(jìn)一步地，作為圖1所述方法的具體實(shí)現(xiàn)，本發(fā)明實(shí)施例提供了一種人體活動(dòng)識(shí)別裝置，如圖8所示，所述裝置包括：獲取單元31、確定單元32、分類單元33。

獲取單元31，可以用于當(dāng)接收到用戶活動(dòng)狀態(tài)的識(shí)別指令時(shí)，獲取所述識(shí)別指令中攜帶的需要對(duì)待識(shí)別用戶進(jìn)行活動(dòng)識(shí)別的識(shí)別目標(biāo)，以及獲取所述待識(shí)別用戶移動(dòng)終端的終端數(shù)據(jù)。獲取單元31可以為本裝置中獲取終端數(shù)據(jù)以及識(shí)別目標(biāo)的主要功能模塊，并觸發(fā)確定單元32進(jìn)行工作，其中，識(shí)別目標(biāo)可以為基本人體活動(dòng)的識(shí)別目標(biāo)、交通工具的識(shí)別目標(biāo)等。

確定單元32，可以用于確定與所述獲取單元31獲取的識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程，不同的識(shí)別目標(biāo)分別對(duì)應(yīng)不同的分類模型組合流程，所述分類模型組合流程中包含按照預(yù)定順序排列的一個(gè)或多個(gè)分類模型。確定單元32為本裝置中確定分類模型組合流程的主要功能模塊，對(duì)于本發(fā)明實(shí)施例，可以根據(jù)具體的識(shí)別目標(biāo)和分類模型之間的層級(jí)關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合排序，得到與該識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程，以便根據(jù)該分類模型組合流程進(jìn)行人體活動(dòng)識(shí)別。

分類單元33，可以用于根據(jù)所述確定單元32確定的分類模型組合流程和所述獲取單元獲取的終端數(shù)據(jù)的數(shù)據(jù)特征，對(duì)所述待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，得到所述待識(shí)別用戶的活動(dòng)狀態(tài)，其中，上一層級(jí)分類模型分類得到的活動(dòng)狀態(tài)與下一層級(jí)分類模型分類可選的活動(dòng)狀態(tài)之間具有上下位關(guān)系。例如，通過(guò)上一層級(jí)分類模型分類得到的活動(dòng)狀態(tài)為乘交通工具活動(dòng)狀態(tài)，而下一層級(jí)分類模型分類可選的活動(dòng)狀態(tài)為乘飛機(jī)活動(dòng)狀態(tài)、乘高鐵活動(dòng)狀態(tài)、乘汽車活動(dòng)狀態(tài)、乘地鐵活動(dòng)狀態(tài)、乘火車活動(dòng)狀態(tài)，這里乘交通工具活動(dòng)狀態(tài)與乘飛機(jī)活動(dòng)狀態(tài)、乘高鐵活動(dòng)狀態(tài)、乘汽車活動(dòng)狀態(tài)、乘地鐵活動(dòng)狀態(tài)、乘火車活動(dòng)狀態(tài)之間具有上下位關(guān)系。

需要說(shuō)明的是，本發(fā)明實(shí)施例提供的一種人體活動(dòng)識(shí)別裝置所涉及各功能單元的其他相應(yīng)描述，可以參考圖1中的對(duì)應(yīng)描述，在此不再贅述。

本發(fā)明實(shí)施例提供的一種人體活動(dòng)識(shí)別裝置，包括：獲取單元、確定單元、分類單元，與目前通過(guò)多類分類器實(shí)現(xiàn)人體活動(dòng)識(shí)別的方式相比，在確定單元確定與需要對(duì)待識(shí)別用戶進(jìn)行活動(dòng)識(shí)別的識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程后，分類單元根據(jù)該分類模型組合流程和獲取單元獲取的待識(shí)別用戶移動(dòng)終端的終端數(shù)據(jù)的數(shù)據(jù)特征，通過(guò)對(duì)待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，可以將分類任務(wù)分解為多級(jí)分類任務(wù)，并且上一層級(jí)分類模型分類得到的活動(dòng)狀態(tài)與下一層級(jí)分類模型分類可選的活動(dòng)狀態(tài)之間具有上下位關(guān)系，進(jìn)而可以將一些相似人體活動(dòng)狀態(tài)先分類為一個(gè)統(tǒng)稱活動(dòng)狀態(tài)，再對(duì)該統(tǒng)稱活動(dòng)狀態(tài)進(jìn)行細(xì)分找到用戶實(shí)際的活動(dòng)狀態(tài)，整個(gè)過(guò)程減少了每一層級(jí)分類的數(shù)據(jù)特征數(shù)和活動(dòng)目標(biāo)數(shù)，可以降低多活動(dòng)目標(biāo)識(shí)別時(shí)數(shù)據(jù)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動(dòng)識(shí)別準(zhǔn)確率低，從而提高了人體活動(dòng)識(shí)別的準(zhǔn)確性。

進(jìn)一步地，作為圖3所述方法的具體實(shí)現(xiàn)，本發(fā)明實(shí)施例提供了另一種人體活動(dòng)識(shí)別裝置，如圖9所示，所述裝置包括：獲取單元41、確定單元42、分類單元43。

獲取單元41，可以用于當(dāng)接收到用戶活動(dòng)狀態(tài)的識(shí)別指令時(shí)，獲取所述識(shí)別指令中攜帶的需要對(duì)待識(shí)別用戶進(jìn)行活動(dòng)識(shí)別的識(shí)別目標(biāo)，以及獲取所述待識(shí)別用戶移動(dòng)終端的終端數(shù)據(jù)。

確定單元42，可以用于確定與所述獲取單元41獲取的識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程，不同的識(shí)別目標(biāo)分別對(duì)應(yīng)不同的分類模型組合流程，所述分類模型組合流程中包含按照預(yù)定順序排列的一個(gè)或多個(gè)分類模型。

分類單元43，可以用于根據(jù)所述確定單元42確定的分類模型組合流程和所述獲取單元獲取的終端數(shù)據(jù)的數(shù)據(jù)特征，對(duì)所述待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，得到所述待識(shí)別用戶的活動(dòng)狀態(tài)，其中，上一層級(jí)分類模型分類得到的活動(dòng)狀態(tài)與下一層級(jí)分類模型分類可選的活動(dòng)狀態(tài)之間具有上下位關(guān)系。

為了能夠?qū)ΥR(shí)別用戶活動(dòng)狀態(tài)及時(shí)進(jìn)行識(shí)別，需要提前訓(xùn)練完畢相應(yīng)的分類模型，以便得到準(zhǔn)確的分類結(jié)果，進(jìn)一步地，所述裝置還包括：訓(xùn)練單元44。

所述獲取單元41，可以用于獲取收集到的不同用戶移動(dòng)終端的終端數(shù)據(jù)。

所述訓(xùn)練單元44，可以用于根據(jù)不同的活動(dòng)狀態(tài)，提取所述終端數(shù)據(jù)中相應(yīng)的特征數(shù)據(jù)進(jìn)行訓(xùn)練，得到活動(dòng)狀態(tài)對(duì)應(yīng)的分類模型。

所述確定單元42，具體可以用于對(duì)所述識(shí)別目標(biāo)進(jìn)行解析，得到與所述識(shí)別目標(biāo)對(duì)應(yīng)的多個(gè)可選的活動(dòng)狀態(tài)；根據(jù)所述多個(gè)可選的活動(dòng)狀態(tài)之間的上下位關(guān)系，選擇相應(yīng)的分類模型進(jìn)行組合，得到與所述識(shí)別目標(biāo)對(duì)應(yīng)的分類模型組合流程。對(duì)于本發(fā)明實(shí)施例，可以實(shí)現(xiàn)多目標(biāo)人體活動(dòng)識(shí)別，可以滿足不同的用戶需求。

所述分類單元43，具體可以用于若所述識(shí)別目標(biāo)為所述待識(shí)別用戶的基本活動(dòng)識(shí)別，則從所述終端數(shù)據(jù)中提取所述待識(shí)別用戶移動(dòng)終端的終端位置數(shù)據(jù)特征；根據(jù)所述終端位置數(shù)據(jù)特征，通過(guò)基本活動(dòng)識(shí)別的決策樹分類器對(duì)所述待識(shí)別用戶的活動(dòng)狀態(tài)進(jìn)行分類，可以使得執(zhí)行效率較高；若根據(jù)分類結(jié)果確定所述待識(shí)別用戶的基本活動(dòng)狀態(tài)為步行活動(dòng)狀態(tài)，則從所述終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的加速計(jì)數(shù)據(jù)特征；根據(jù)所述加速計(jì)數(shù)據(jù)特征，通過(guò)步行類別識(shí)別的支持向量機(jī)分類器對(duì)所述步行活動(dòng)狀態(tài)進(jìn)行分類。

所述分類單元43，具體還可以用于若根據(jù)分類結(jié)果確定所述待識(shí)別用戶的基本活動(dòng)狀態(tài)為乘坐交通工具活動(dòng)狀態(tài)、且所述識(shí)別目標(biāo)為所述待識(shí)別用戶乘坐的交通工具識(shí)別，則從所述終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的終端位置數(shù)據(jù)特征和終端信號(hào)數(shù)據(jù)特征；根據(jù)所述終端位置數(shù)據(jù)特征和所述終端信號(hào)數(shù)據(jù)特征，通過(guò)交通工具識(shí)別的決策樹分類器對(duì)所述乘坐交通工具活動(dòng)狀態(tài)進(jìn)行分類；若根據(jù)分類結(jié)果確定所述待識(shí)別用戶乘坐的交通工具為汽車，則從所述用戶移動(dòng)終端的歷史終端數(shù)據(jù)中提取所述汽車在預(yù)定周期時(shí)間段內(nèi)的車輛運(yùn)行數(shù)據(jù)特征；根據(jù)所述車輛運(yùn)行數(shù)據(jù)特征，通過(guò)車輛類型識(shí)別的決策樹分類器進(jìn)行分類得到所述汽車的車輛類型。

可選地，車輛運(yùn)行數(shù)據(jù)特征包含活躍行駛范圍、行駛線路種類、每個(gè)預(yù)定時(shí)間間隔內(nèi)的車輛累計(jì)運(yùn)行時(shí)長(zhǎng)。其中，預(yù)定時(shí)間間隔可以根據(jù)實(shí)際需求進(jìn)行設(shè)定，如每個(gè)預(yù)定時(shí)間間隔可以為每個(gè)季度、每月、每半個(gè)月等，車輛累計(jì)運(yùn)行時(shí)長(zhǎng)可以為車輛累計(jì)駕駛時(shí)間；行駛線路種類包括將駕駛數(shù)據(jù)按行程劃分，行程是一次有起點(diǎn)和終點(diǎn)的駕駛?cè)蝿?wù)，具有相同起點(diǎn)和終點(diǎn)的線路可以認(rèn)為是一種線路。

所述確定單元42，還可以用于通過(guò)預(yù)設(shè)DBSCAN密度聚類函數(shù)，對(duì)在所述預(yù)定周期時(shí)間段內(nèi)所述汽車的車輛位置數(shù)據(jù)進(jìn)行密度聚類，得到各個(gè)類簇；將所述各個(gè)類簇中樣本點(diǎn)最多的類簇的中心點(diǎn)，確定為所述汽車的活躍中心點(diǎn)，并將所述樣本點(diǎn)最多的類簇中所有點(diǎn)到所述活躍中心點(diǎn)的距離最大值，確定為所述汽車的行駛活躍半徑；根據(jù)所述活躍中心點(diǎn)和所述行駛活躍半徑，確定所述汽車的活躍行駛范圍。其中，預(yù)設(shè)DBSCAN密度聚類函數(shù)可以根據(jù)DBSCAN密度聚類算法預(yù)先進(jìn)行編寫設(shè)置，與K-means方法相比，DBSCAN密度聚類算法不需要事先知道需要形成的類簇?cái)?shù)量，可以發(fā)現(xiàn)任意形狀的簇類，能夠識(shí)別出噪聲點(diǎn)。

所述分類單元43，具體還可以用于若根據(jù)分類結(jié)果確定所述待識(shí)別用戶乘坐的交通工具為汽車、且所述識(shí)別目標(biāo)為所述待識(shí)別用戶的乘客身份識(shí)別，則從所述終端數(shù)據(jù)中提取待識(shí)別用戶移動(dòng)終端的加速計(jì)數(shù)據(jù)特征和陀螺儀數(shù)據(jù)特征；根據(jù)所述加速計(jì)數(shù)據(jù)特征和所述陀螺儀數(shù)據(jù)特征，通過(guò)乘客身份識(shí)別的K最鄰近分類器進(jìn)行分類得到所述待識(shí)別用戶對(duì)應(yīng)的乘客身份。通過(guò)K最鄰近分類器進(jìn)行分類，不僅可以實(shí)現(xiàn)狀態(tài)分類，還可以給出屬于某個(gè)類別的概率值。

需要說(shuō)明的是，本發(fā)明實(shí)施例提供的另一種人體活動(dòng)識(shí)別裝置所涉及各功能單元的其他相應(yīng)描述，可以參考圖3中的對(duì)應(yīng)描述，在此不再贅述。

本發(fā)明實(shí)施例提供的另一種人體活動(dòng)識(shí)別裝置，包括：獲取單元、確定單元、分類單元、訓(xùn)練單元，可以實(shí)現(xiàn)多目標(biāo)人體活動(dòng)識(shí)別，通過(guò)分類單元對(duì)用戶的活動(dòng)狀態(tài)進(jìn)行逐層多級(jí)分類，可以將分類任務(wù)分解為多級(jí)分類任務(wù)，整個(gè)過(guò)程減少了每一層級(jí)分類的數(shù)據(jù)特征數(shù)和活動(dòng)目標(biāo)數(shù)，同時(shí)每一級(jí)分類可以選取最適宜、準(zhǔn)確度最高的分類方法，可以降低多活動(dòng)目標(biāo)識(shí)別時(shí)數(shù)據(jù)特征選取的復(fù)雜度，避免數(shù)據(jù)特征提取偏差導(dǎo)致的人體活動(dòng)識(shí)別準(zhǔn)確率低，從而提高了人體活動(dòng)識(shí)別的準(zhǔn)確性。

在上述實(shí)施例中，對(duì)各個(gè)實(shí)施例的描述都各有側(cè)重，某個(gè)實(shí)施例中沒(méi)有詳述的部分，可以參見(jiàn)其他實(shí)施例的相關(guān)描述。

可以理解的是，上述方法及裝置中的相關(guān)特征可以相互參考。另外，上述實(shí)施例中的“第一”、“第二”等是用于區(qū)分各實(shí)施例，而并不代表各實(shí)施例的優(yōu)劣。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)，裝置和單元的具體工作過(guò)程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再贅述。

在此提供的算法和顯示不與任何特定計(jì)算機(jī)、虛擬系統(tǒng)或者其它設(shè)備固有相關(guān)。各種通用系統(tǒng)也可以與基于在此的示教一起使用。根據(jù)上面的描述，構(gòu)造這類系統(tǒng)所要求的結(jié)構(gòu)是顯而易見(jiàn)的。此外，本發(fā)明也不針對(duì)任何特定編程語(yǔ)言。應(yīng)當(dāng)明白，可以利用各種編程語(yǔ)言實(shí)現(xiàn)在此描述的本發(fā)明的內(nèi)容，并且上面對(duì)特定語(yǔ)言所做的描述是為了披露本發(fā)明的最佳實(shí)施方式。

在此處所提供的說(shuō)明書中，說(shuō)明了大量具體細(xì)節(jié)。然而，能夠理解，本發(fā)明的實(shí)施例可以在沒(méi)有這些具體細(xì)節(jié)的情況下實(shí)踐。在一些實(shí)例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對(duì)本說(shuō)明書的理解。

類似地，應(yīng)當(dāng)理解，為了精簡(jiǎn)本公開(kāi)并幫助理解各個(gè)發(fā)明方面中的一個(gè)或多個(gè)，在上面對(duì)本發(fā)明的示例性實(shí)施例的描述中，本發(fā)明的各個(gè)特征有時(shí)被一起分組到單個(gè)實(shí)施例、圖、或者對(duì)其的描述中。然而，并不應(yīng)將該公開(kāi)的方法解釋成反映如下意圖：即所要求保護(hù)的本發(fā)明要求比在每個(gè)權(quán)利要求中所明確記載的特征更多的特征。更確切地說(shuō)，如下面的權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開(kāi)的單個(gè)實(shí)施例的所有特征。因此，遵循具體實(shí)施方式的權(quán)利要求書由此明確地并入該具體實(shí)施方式，其中每個(gè)權(quán)利要求本身都作為本發(fā)明的單獨(dú)實(shí)施例。

本領(lǐng)域那些技術(shù)人員可以理解，可以對(duì)實(shí)施例中的設(shè)備中的模塊進(jìn)行自適應(yīng)性地改變并且把它們?cè)O(shè)置在與該實(shí)施例不同的一個(gè)或多個(gè)設(shè)備中?？梢园褜?shí)施例中的模塊或單元或組件組合成一個(gè)模塊或單元或組件，以及此外可以把它們分成多個(gè)子模塊或子單元或子組件。除了這樣的特征和/或過(guò)程或者單元中的至少一些是相互排斥之外，可以采用任何組合對(duì)本說(shuō)明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開(kāi)的所有特征以及如此公開(kāi)的任何方法或者設(shè)備的所有過(guò)程或單元進(jìn)行組合。除非另外明確陳述，本說(shuō)明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開(kāi)的每個(gè)特征可以由提供相同、等同或相似目的的替代特征來(lái)代替。

此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實(shí)施例包括其它實(shí)施例中所包括的某些特征而不是其它特征，但是不同實(shí)施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實(shí)施例。例如，在下面的權(quán)利要求書中，所要求保護(hù)的實(shí)施例的任意之一都可以以任意的組合方式來(lái)使用。

本發(fā)明的各個(gè)部件實(shí)施例可以以硬件實(shí)現(xiàn)，或者以在一個(gè)或者多個(gè)處理器上運(yùn)行的軟件模塊實(shí)現(xiàn)，或者以它們的組合實(shí)現(xiàn)。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，可以在實(shí)踐中使用微處理器或者數(shù)字信號(hào)處理器(DSP)來(lái)實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的一種人體活動(dòng)識(shí)別方法及裝置中的一些或者全部部件的一些或者全部功能。本發(fā)明還可以實(shí)現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的設(shè)備或者裝置程序(例如，計(jì)算機(jī)程序和計(jì)算機(jī)程序產(chǎn)品)。這樣的實(shí)現(xiàn)本發(fā)明的程序可以存儲(chǔ)在計(jì)算機(jī)可讀介質(zhì)上，或者可以具有一個(gè)或者多個(gè)信號(hào)的形式。這樣的信號(hào)可以從因特網(wǎng)網(wǎng)站上下載得到，或者在載體信號(hào)上提供，或者以任何其他形式提供。

應(yīng)該注意的是上述實(shí)施例對(duì)本發(fā)明進(jìn)行說(shuō)明而不是對(duì)本發(fā)明進(jìn)行限制，并且本領(lǐng)域技術(shù)人員在不脫離所附權(quán)利要求的范圍的情況下可設(shè)計(jì)出替換實(shí)施例。在權(quán)利要求中，不應(yīng)將位于括號(hào)之間的任何參考符號(hào)構(gòu)造成對(duì)權(quán)利要求的限制。單詞“包含”不排除存在未列在權(quán)利要求中的元件或步驟。位于元件之前的單詞“一”或“一個(gè)”不排除存在多個(gè)這樣的元件。本發(fā)明可以借助于包括有若干不同元件的硬件以及借助于適當(dāng)編程的計(jì)算機(jī)來(lái)實(shí)現(xiàn)。在列舉了若干裝置的單元權(quán)利要求中，這些裝置中的若干個(gè)可以是通過(guò)同一個(gè)硬件項(xiàng)來(lái)具體體現(xiàn)。單詞第一、第二、以及第三等的使用不表示任何順序?？蓪⑦@些單詞解釋為名稱。