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

田国会; 尹建芹; 闫云章; 李国栋

doi:10.3969/j.issn.0372-2112.2016.01.021

您当前的位置：

首页 >

文章列表页 >

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

学术论文 | 更新时间：2025-07-16

- 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
- Gaussian Mixture Models and Principal Component Analysis Based Human Trajectory Behavior Recognition
- 电子学报 2016年44卷第1期页码：143-149
- 作者机构：
  
  1. 山东大学控制科学与工程学院,山东,济南,250061
  2. 济南大学信息科学与工程学院山东省网络环境智能计算技术重点实验室,山东,济南,250022
  3. 山东大学控制科学与工程学院,山东,济南,250061
  4. 济南大学信息科学与工程学院山东省网络环境智能计算技术重点实验室,山东,济南,250022
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.61203341,No.61075092);山东省自然科学基金 (No.ZR2011FM011);山东省高等学校科技发展计划 (No.J11LG01)
- DOI：10.3969/j.issn.0372-2112.2016.01.021
  中图分类号： TP391
- 纸质出版：2016
- 稿件说明：
移动端阅览
田国会, 尹建芹, 闫云章, 等. 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[J]. 电子学报, 2016,44(1):143-149.

TIAN Guo-hui, YIN Jian-qin, YAN Yun-zhang, et al. Gaussian Mixture Models and Principal Component Analysis Based Human Trajectory Behavior Recognition[J]. Acta Electronica Sinica, 2016, 44(1): 143-149.
田国会, 尹建芹, 闫云章, 等. 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[J]. 电子学报, 2016,44(1):143-149. DOI： 10.3969/j.issn.0372-2112.2016.01.021.

TIAN Guo-hui, YIN Jian-qin, YAN Yun-zhang, et al. Gaussian Mixture Models and Principal Component Analysis Based Human Trajectory Behavior Recognition[J]. Acta Electronica Sinica, 2016, 44(1): 143-149. DOI： 10.3969/j.issn.0372-2112.2016.01.021.

摘要

针对家庭辅助生活应用场景下的目标意图识别和异常行为判别问题

提出了一种基于目标轨迹的行为分析方法.首先

提出了关键点和关键区域的概念

将家庭环境划分为不同的关键点和关键区域

并以此来描述和区分不同轨迹;然后

提出了利用混合高斯模型的关键点及关键区域获取算法

将轨迹转化为关键点及关键区域表示

并以此为基础进行了行为意图的识别和部分异常轨迹的判断;最后

借助主成分分析的方法弥补混合高斯聚类在异常轨迹识别方面的缺陷

提高了识别准确率.实验表明

该方法能够有效的对行为意图和异常行为进行识别.

Abstract

In order to solve the problems of human motion intention recognition and abnormal behavior detection in home environment

a trajectory analysis based algorithm is discussed in this paper.Firstly

the home environment is divided into different key points and areas

so that the motion trajectory can be described by them.Moreover

based on mixture Gaussian model

the problems of motion intention recognition and abnormal behavior detection are analyzed.Finally

the PCA algorithm is applied to improve the accuracy of abnormal behavior detection.The experimental results show the effectiveness and reliability of the above conclusions.

关键词

Keywords

references

浏览量

2068

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于主成分分析的经验模态分解消噪方法

面向PCA异常检测器的毒害攻击和防御机制

基于主相位一致性的医学图像配准

结合Gabor滤波器和ICA技术的纹理分类方法

Bloom Filter哈希空间的元素还原