基于路径重积分特征和深度学习方法的轨迹数据的表征和识别

发布时间：2020-03-24 00:28

【摘要】：无处不在的轨迹数据,例如手写文字、笔迹签名、手势动作、人体运动或车流运动等,都与人类生活工作和人身财产安全有着密不可分关系。随着智能设备中各种传感器的普及,丰富的轨迹数据得以采集,促进了轨迹数据挖掘和分析的研究。作为轨迹数据挖掘中重要一环,轨迹识别通过机器学习方法实现轨迹的自动辨别,赋予原始数据更高的价值。本文以单运动点的手写轨迹和多运动点的人体骨架运动轨迹为研究对象,结合粗糙路径理论中的路径重积分特征与机器学习领域的深度学习方法两大研究工具,探究更加鲁棒、高效、有效的轨迹表征和识别方法。目前轨迹识别的难点是:轨迹数据丰富多样,可能呈现规模或大或小、类别多、标签错误等复杂现象,增加了机器学习模型训练和识别的难度;轨迹表征需要兼顾轨迹局部、区域和全局信息,以实现更加完整的轨迹信息提取;多运动点轨迹识别则需要结合轨迹数据不同维度的信息,更好地提炼轨迹的空间结构和时间动态特性。为了解决上述轨迹识别的难点,本文的研究工作和成果如下:(1)针对轨迹数据的复杂情况,我们从数据增强、高效训练和数据增广三个方面都提出了不同的、新颖的解决方案。对于手写文字轨迹,我们设计领域知识增强层,通过多样的传统手写领域技术对原始数据提取丰富的先验知识,促进深度模型性能提升。对于大规模大类别的手写识别,我们借鉴心理学Leither学习盒子的思想,提出取舍样本的深度模型训练方法,不再使用传统的均匀抽样,而是依据深度模型在迭代训练中的输出置信度来衡量每个样本下次迭代被抽取的概率,从而自动地、动态地筛选出难识别样本进行反复学习,进而还可以过滤掉错误标签的样本以防噪声干扰,最终实现基于深度模型的高效训练,在手写识别任务中取得当时最佳识别结果。对于少样本的手写笔迹轨迹,我们提出舍笔段法,通过轨迹切分后随机舍弃一定比例的轨迹段,实现数据增广的需求;又由于舍笔段法能够破坏文字的轨迹结构,使书写者识别系统能够更好应对文本内容随意变更的情形。(2)由于轨迹表征需要兼顾局部和全局信息,我们提出基于路径重积分特征的解决方案。我们从机器学习应用角度对路径重积分特征进行详细解释和分析,探讨了它作为轨迹表征的适用性。在实际应用中,对于任意旋转角度的文字的识别,我们提出层级路径重积分特征,将原始轨迹切分成层级的小段轨迹,使得重积分特征能够高效提取从局部到全局的不同范围的信息。对于书写者笔迹轨迹,为了区分它们之间细微又隐秘的差异,我们提取高阶的路径重积分,着重描述局部细节的几何依赖关系,从而实现书写者识别的突破性进展。(3)面对高维的多个运动点的轨迹识别,我们提出一套时空间的路径重积分特征的提取方法。在人体骨架动作识别中,我们使用任意两个或三个骨架点组合后的路径重积分特征描述骨架在空间中的结构约束,再将时间上不断演变的空间特征作为路径,提取时间轴上路径重积分特征来表示骨架点移动的时间动态信息,最后结合时空间的特征,我们在四个典型的人体动作数据集上都取得了当时最佳的识别率。
【图文】：

图２邋－１二维路径的路径重积分特征的几何意义示意图逡逑当ｄ邋＝邋ｌ时，，实值路径｛ｉｆ｝的积分逡逑

２．５．４．手部肌电信号动作识别逡逑Ｏｂｅｒｈａｕｓｅｒ等人［１７２］将路径重积分运用在手部动作的肌肉电信号识别问题上。手部逡逑运动肌电信号数据库［１７３］是通过特殊传感器收集的６种手部动作的肌电信号，如图２邋－逡逑３所示，左边六张图是手部动作示意图，右边序列数据则是抓握动作的一个原始肌电信逡逑号样例。文献［１７２］提出一个基于核学习（ｋｅｒｎｅｌｌｅａｒｎｉｎｇ）的框架，将路径重积分特征视逡逑作一种有序矩（ｏｒｄｅｒｅｄｍｏｍｅｎｔｓ），进而获得序列化的非线性核，实验证明运用这种序列逡逑核后，不需要以往大量的预处理操作就能够很好的识别复杂的肌电信号。逡逑２６逡逑
【学位授予单位】：华南理工大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP391.41;TP18

【相似文献】

相关期刊论文 前10条

1 王松;党建武;王阳萍;杜晓刚;;实时动作识别方法研究[J];计算机工程与应用;2017年03期

2 李文辉;;基于多示例多特征的人体动作识别[J];信息技术;2016年12期

3 王松;杜晓刚;王阳萍;杨景玉;;基于关节点运动轨迹的人体动作识别[J];宁夏大学学报(自然科学版);2017年02期

4 任丹;;基于表面肌电信号特征的动作识别[J];辽东学院学报(自然科学版);2017年01期

5 区峻;石千惠;;特征降维和高斯混合模型的体育运动动作识别[J];现代电子技术;2017年11期

6 凌佩佩;邱崧;蔡茗名;徐伟;丰颖;;结合特权信息的人体动作识别[J];中国图象图形学报;2017年04期

7 王松;党建武;王阳萍;杜晓刚;;基于关节间夹角变化序列的动作识别算法研究[J];计算机应用与软件;2017年06期

8 侯静怡;刘翠微;吴心筱;;基于隐任务学习的动作识别方法[J];北京理工大学学报;2017年07期

9 韩敏捷;;基于深度学习框架的多模态动作识别[J];计算机与现代化;2017年07期

10 冀中;郭威辰;;基于局部保持典型相关分析的零样本动作识别[J];天津大学学报(自然科学与工程技术版);2017年09期

相关会议论文 前10条

1 袁飞;程韬波;周松斌;肖先文;;基于加速度特征的可拓动作识别方法[A];广州市仪器仪表学会2009年学术年会论文集[C];2010年

2 叶喜勇;陶霖密;王国建;邸慧军;;视角无关的人体躯干动作识别[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

3 朱岩;赵旭;刘允才;;基于稀疏编码和局部时空特征的人体动作识别[A];第十五届全国图象图形学学术会议论文集[C];2010年

4 黄飞跃;徐光yP;;自然的人体动作识别[A];第三届和谐人机环境联合学术会议（HHME2007）论文集[C];2007年

5 吕超;;基于动作识别的增强现实系统中实时交互技术的研究~[A];中国造船工程学会电子技术学术委员会2017年装备技术发展论坛论文集[C];2017年

6 黄艳欢;叶少珍;;连续动作分割综述[A];第十四届全国图象图形学学术会议论文集[C];2008年

7 刘志强;尹建芹;张玲;魏军;刘小丽;;基于Kinect数据主成分分析的人体动作识别[A];2015光学精密工程论坛论文集[C];2015年

8 王彦鸿;倪世宏;王刚;谢川;;基于遗传算法的飞行动作识别规则获取方法[A];中国航空学会控制与应用第十二届学术年会论文集[C];2006年

9 征容;严潇然;;PCA在智能家居中的动作识别实例和测试[A];四川省通信学会2015年学术年会论文集[C];2015年

10 席旭刚;金燕;朱海港;高云园;;基于小波包熵和支持向量机的手部肌电信号动作识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

相关重要报纸文章 前10条

1 记者 袁斯茹;人体动作识别率得以显著提高[N];深圳商报;2019年

2 记者 顾瑾　通讯员 徐红萍;杭州电信推出“网络健身馆”[N];人民邮电;2010年

3 杜浩;无人书店的启示[N];山西日报;2018年

4 本报记者 陈丹;人与机器的“对话”[N];科技日报;2010年

5 本报记者 郝天韵 见习记者 朱丽娜;无人书店，是噱头还是趋势[N];中国新闻出版广电报;2018年

6 见习记者 王欣琳;青年创客展示创新项目寻求更多合作[N];中山日报;2019年

7 宁夏 边书丽 编译;深入了解体感技术[N];电子报;2013年

8 本报记者 马爱平;动一动就认清你？机器说可以[N];科技日报;2017年

9 曹_g;强强联手引领运动健康产业发展[N];中国体育报;2016年

10 安吉;Kinect for Windows带来精彩行业应用[N];科技日报;2014年

相关博士学位论文 前10条

1 Fangbemi Abassin Sourou;基于时空二进制特征的动作识别算法研究[D];中国科学技术大学;2018年

2 陈野;基于可穿戴传感器数据的人体动作识别方法的研究[D];大连理工大学;2018年

3 杨维信;基于路径重积分特征和深度学习方法的轨迹数据的表征和识别[D];华南理工大学;2018年

4 郭明;融合多源体感信息的人体动作识别方法[D];大连理工大学;2018年

5 王廷蔚;基于鉴别主题和时序结构的动作识别[D];南京理工大学;2018年

6 王磊;视频人体运动的检测跟踪与识别[D];上海交通大学;2017年

7 王亮亮;基于视觉的人体动作识别研究[D];哈尔滨工业大学;2017年

8 李向新;基于多源神经信息解码的多功能假肢控制性能增强及优化方法[D];中国科学院大学(中国科学院深圳先进技术研究院);2017年

9 林连冬;基于仿生机械手的肌动传感器动作识别研究[D];黑龙江大学;2017年

10 赵洋;4D人体动作识别中的关键技术研究[D];电子科技大学;2018年

相关硕士学位论文 前10条

1 王涛;基于深度图的驾驶舱内飞行员动作识别[D];上海交通大学;2017年

2 王琳;室内外无缝定位中的情境感知方法研究[D];上海交通大学;2017年

3 闫哲;基于Kinect传感器的动作识别与手势识别在人机交互中的应用[D];云南大学;2018年

4 李兰;基于动作三视图的人体行为识别方法研究[D];安庆师范大学;2019年

5 邢智妍;基于SVM流形正则化的人体动作识别[D];河南大学;2019年

6 崔小光;基于Wi-Fi信号的室内动作识别研究[D];河南大学;2019年

7 陈甜甜;基于深度数据特征融合的人体动作识别研究[D];华中师范大学;2019年

8 郭孟汗;基于深度学习的人体骨架点检测研究[D];西安科技大学;2019年

9 刘芸糖;基于LTE的无源人体动作识别的研究[D];南京大学;2019年

10 渠畅;视频监控中人体动作识别关键技术研究[D];北方工业大学;2019年

本文编号：2597509