一篇外文文獻和翻譯智能家居方面

1、原文題目：Detecting Individual Activities from Video in a Smart Home譯文題目： 在智能家居中從視頻中檢測個人活動 摘要論文闡述了在智能家居環(huán)境中個人活動的檢測。我們的系統(tǒng)是基于一個強大的視頻跟蹤器，創(chuàng)建和使用一個廣角攝像頭跟蹤目標。該系統(tǒng)采了對用輸入目標位置，大小和方向的翻譯。對每一個目標進行翻譯，產(chǎn)生活動分類，如“走”，“站立”，“坐”，“吃飯”，或“睡眠”。貝葉斯分類器和支持向量機（SVMs）相比，獲取和識別到先前定義的單個活動。這些方法在記錄的數(shù)據(jù)集上被評估。然后提出一種新型的混合分類器。此分類器結(jié)合了生成的貝葉斯方法和區(qū)別性支持

2、向量機。貝葉斯方法用于檢測先前地看不見的活動，而支持向量機在識別獲取活動類別的例子上被展示了能提供搞的區(qū)別力。記錄的數(shù)據(jù)集的混合分類器評估結(jié)果表明，當識別系統(tǒng)看不見的活動時，生成和區(qū)別性的分類相結(jié)合方法的優(yōu)于單獨的方法。一，引言本文介紹了一種用于檢測在智能家居環(huán)境下的個人活動的系統(tǒng)。目的是檢測預(yù)定義的和看不見的活動。提出的系統(tǒng)是基于使用一個廣角攝像頭創(chuàng)建和跟蹤移動目標的可視化的跟蹤過程。提取目標位置，大小和方向，作為每個目標的活動識別輸入。本文的兩個貢獻：首先，貝葉斯分類器和支持向量機（SVMs）相比，從視覺目標屬性中獲取和識別基本的個人的活動（“走”，“站立”，“會議”，“吃飯”，“睡覺”）

3、。 在數(shù)據(jù)集中這兩種方法都被測試和評估，記錄在智能家居環(huán)境的實驗室樣機。其次，為識別預(yù)先看不到的活動提出了一種新型的混合分類器。貝葉斯方法用于創(chuàng)建一個有依據(jù)的數(shù)據(jù)模型。關(guān)于這個模型的概率確定與否，可以歸結(jié)預(yù)定義的活動種類。如果是，支持向量機是用來確定獲取活動種類。如果不是這樣，一個錯誤檢測或一個新的活動類（所獲取到的）被識別。該混合分類器在記錄數(shù)據(jù)集中已經(jīng)進行了測定和評估。二，方法在下面，我們提出從視頻檢測活動的方法。首先，我們對智能家居環(huán)境和強大視頻跟蹤系統(tǒng)進行了簡要描述。接著，闡述活動種類和記錄的數(shù)據(jù)集。最后，貝葉斯分類器，支持向量機和混合分類器的分析和提出了對數(shù)據(jù)集的結(jié)果。2.1智能家居

4、環(huán)境在本文中所描述的實驗是在實驗室進行模型的一個智能家居客廳環(huán)境。環(huán)境包含一個小桌子周圍三扶手椅和沙發(fā)（圖1左）。在這環(huán)境中，麥克風(fēng)陣列和攝像機安裝在所有墻壁。在本文中,我們專注于使用一個單一廣角鏡頭，攝影機安裝在智能房間的一個角落里(圖1中)沙發(fā)的對面。圖1。我們的智能房（左）地圖，廣角相機視圖顯示灰色（中），廣角攝像機的圖像（右）廣角照相機觀察環(huán)境與一幀率之間的15和20每秒圖像（圖1）。一個強勁跟蹤系統(tǒng)實時檢測和跟蹤視頻圖像目標。2.2視頻跟蹤系統(tǒng)在我們的智能環(huán)境中，一個強大的視頻實時跟蹤系統(tǒng)311被用來探測和跟蹤移動的用戶。通過基于背景差集或標準化顏色直方圖強度的能量檢測值可檢測到目標

5、。這個視頻跟蹤系統(tǒng)返回每個視頻幀的屬性向量。每個向量都包含的一個被系統(tǒng)檢測和跟蹤的目標位置，大小和方向。返回為每個目標性能最高的地位(x,y)的邊界橢圓,半徑的第一和第二軸橢圓和角度描述橢圓的方向(圖2)從目標跟蹤過程也可確定附加功能包括速度或能量。 圖2。強大的跟蹤儀估計目標內(nèi)容2.3個人的活動和數(shù)據(jù)集五類基本的活動識別：“走”，“站立”，“坐”，“吃飯”和“睡覺”。 為了開發(fā)和評估檢測過程中，我們錄得8個環(huán)境中的短視頻序列。在這些序列，一個或若干個個人在不同的智能間房的基本的活動。表1所示的幀的數(shù)量和分布的序列中播放的不同的活動。視頻序列中的播放個人的活動已經(jīng)被手工標記來用來獲取和評估。這

6、標記過程由強大的跟蹤系統(tǒng)檢測每一幀對每個目標分配一個活動標簽。如果檢測到的目標并未做任何的五個基本的活動，貼標機有可能分配一個“無活動”的標簽。因此，每8個數(shù)據(jù)集包含一個目標屬性（X，Y，第一半徑，第二半徑，角度）和相關(guān)活動的標簽列表。表1，視頻序列和分銷活動的畫面編號（）Video SequenceNo. Frames1135226186344464468454027644777306783147Total31386Class% in data setsWalking0.18Standing0.09Sitting0.44Inter. Table0.19Sleeping0.102.4獲取和識別

7、個人的活動通過使用機器獲取的方法，我們的系統(tǒng)是要找到一個檢測到信息（每幀目標性質(zhì)）和個別活動之間的關(guān)系來作為被提供了手動標簽人的感知和標記。我們特別側(cè)重于貝葉斯方法，因為它們很好地適應(yīng)處理錯誤的傳感器數(shù)據(jù)，他們在許多應(yīng)用領(lǐng)域已經(jīng)被證明是有用的，尤其是計算機視覺8 10。在下面，我們將在記錄的數(shù)據(jù)集中首先介紹和評價貝葉斯分類器和支持向量機。然后，我們?yōu)榇_定不可見的活動種類將提出和評價一種新型的結(jié)合了貝葉斯方法和支持向量機的混合分類器。貝葉斯分類器在傳感器數(shù)據(jù)和相關(guān)活動標簽的基礎(chǔ)上，我們力圖獲取相關(guān)活動的概率分類。貝葉斯分類被類似分類的7 10中提出。分類以幀數(shù)完成，即分類器作為輸入幀的目標屬性并

8、生成作為輸出幀的活動預(yù)報。我們設(shè)法確定活動aMAP的最大后驗概率（MAP），給定的目標屬性集T（方程（1）。aMAP = arg max P(a | T ) （1） （2）我們應(yīng)用貝葉斯定理（2），我們進一步假設(shè)的先驗概率P（a）活動的每一幀都是相等的。作為常數(shù)的分母可以因為argmax消除，我們可以得到方程（3）。aMAP = arg max P(T | a) （3）我們?yōu)槊總€活動模擬P(T|a)，在獲取的數(shù)據(jù)中通過運行EM算法1作為多維混合高斯分布估計?；旌细咚鼓Ｐ偷某跏贾当辉O(shè)置為一個高值（128）; 混合高斯分布過少的相繼消除。我們對使用8折交叉驗證視頻序列的錄音評估分類（見表1）分類。

9、每個序列已被用于測試一次，同時獲取其余7序列模型。貝葉斯分類器的總體結(jié)果可以看出，左邊的列在表2。我們評估了三種不同的目標屬性集合T.第一組圖像中的位置的X，Y。這結(jié)果很好的展現(xiàn)了在環(huán)境中被識別的個人活動的位置。然而，位置非常依賴環(huán)境的配置，例如沙發(fā)和椅子的位置。因此，第二個目標集（第一，第二，角度），其中只包含形成橢圓的形式，而不是它的位置。結(jié)果是得到相當類似的位置。第一和第二的目標屬性集（X，Y的角度來看，第一，第二）的結(jié)合的提供的最好的結(jié)果。支持向量機為了進一步提高識別結(jié)果，我們使用支持向量機（支持向量機）作為分類。支持向量機2 5通過支持向量數(shù)據(jù)集測定，由過平均誤差最小化進行分類，。一

10、個支持向量被輸入集合所記錄,在特征空間勾勒出超平面輪廓。L -維超平面，其中L是輸入向量特征，定義了不同階層之間的邊界。簡單分類的任務(wù)是，以確定哪一方的超平面的測試載體駐留。試驗載體可以映射到一個更高（可能無限）維空間的函數(shù)。SVM找到一個最大的分離超平面在這個高維空間的邊距 K(xi, xj) = ( xi ） ( x j )被作為一個內(nèi)核功能。對多層次分類、“最后通過仿真實驗證明了”的分類為每個k類,可以執(zhí)行。這個測試數(shù)據(jù)的分類是由一個在每一個二進制比較增量的優(yōu)勝者的計數(shù)器上投票策略實現(xiàn)的。這種類是由所有類別進行了比較后計數(shù)器值最高的被選取。我們評估了對視頻序列的錄音使用8折交叉驗證（見表

11、1）分類。一個徑向基函數(shù)與C= 11.0和= 11.0顯示我們的有依據(jù)的數(shù)據(jù)是合適的結(jié)果。LIBSVM庫4已經(jīng)用于實施和評價。SVM的整體結(jié)果顯示在表2的右列。SVM和貝葉斯分類廣泛應(yīng)用。也就是說，每個幀的目標屬性是用來產(chǎn)生活動標簽，獨立于其他幀的的值。由于SVM是一種區(qū)別性的方法，優(yōu)化分類之間給定/有依據(jù)的類別，優(yōu)于貝葉斯分類器。然而，SVM不獲取對于一個給定的數(shù)據(jù)集的結(jié)構(gòu)，但有唯一的邊界之間的類別。因此，SVM是很難或不可能拒絕看不見的測試數(shù)據(jù)或發(fā)現(xiàn)新的類別的活動。 表2。貝葉斯分類和SVM的識別率Bayesian ClassifierSVMsX,YMeanStd. dev.0,76960

12、,78550,04690,03981st, 2nd, angleMeanStd. dev.0,76910,78110,03930,0469X,Y,1st,2nd,angleMeanStd. dev.0,81500,86100,01460,0276混合分類支持向量機是一種區(qū)別性的分類方法，該方法在特別的數(shù)據(jù)集中優(yōu)于生成貝葉斯分類器。然而，支持向量機不提供有關(guān)是否是一個新的數(shù)據(jù)項目和有依據(jù)數(shù)據(jù)集的連貫的可靠的信息。雖然概率性的支持向量機9，生成的概率僅是指有依據(jù)的類別內(nèi)的分布。錯誤的目標檢測或新的活動種類，作為看不見的數(shù)據(jù)不能被確定。這些數(shù)據(jù)將被歸結(jié)為一個現(xiàn)有的類別。貝葉斯分類器是一個生成分類方法

13、，該方法生成有依據(jù)的數(shù)據(jù)模型，為沒一個新數(shù)據(jù)項目提供了一個可能概率的輸出。一種混合分類器相結(jié)合每種方法的優(yōu)點：貝葉斯分類和SVM的辨別力的概率輸出。圖3。擴展貝葉斯分類器，混合分類器和支持向量機在下面,我們提出了一種結(jié)合了能識別無法看見數(shù)據(jù)的貝葉斯方法和識別可見數(shù)據(jù)的支持向量機的混合分類器。我們將比較擴展貝葉斯分類和經(jīng)典SVM的方法。分類體系在圖3中可以看出 用于測試和評估，我們會限制自己的完整的目標屬性集（X，Y，角度，第一，第二）。在章節(jié)貝葉斯分類中，我們使用公式（3）在確定一個新的數(shù)據(jù)項的類別我們仿照P(T|a)每項活動的多維混合高斯分布由EM估計。我們通過建模延長此外P（T）作為多維混

14、合高斯分布由EM估計。P（T）使人們可能從有依據(jù)的數(shù)據(jù)集模型估計出一個有一定概率的新數(shù)據(jù)項目。通過使用這種概率值的閾值，我們可以決定是否在新的數(shù)據(jù)項目獲取類別或是否是看不見的數(shù)據(jù)（如錯誤檢測或新的類別）的一部分。從有依據(jù)數(shù)據(jù)集（基于類別的數(shù)據(jù)項的概率極?。┑目勺詣优R界值。混合分類器（圖二）結(jié)合類別有衣裾的支持向量機估計的P（T）（生成模型）。如果數(shù)據(jù)項支持向量機決定可見的數(shù)據(jù)，確定本項目的類別。在評估方面，我們比較混合分類器用一個擴展的貝葉斯分類器（圖3）和經(jīng)典的支持向量機（圖三）。擴展貝葉斯分類中結(jié)合經(jīng)典貝葉斯分類中相的的P（T）的估計。我們要表明，混合分類器勝過一個純粹的貝葉斯分類器和一個

15、純粹的支持向量機。我們評估了三個不同的分類上的視頻序列用8倍交叉驗證的記錄（見表1）。為了測試看不見的數(shù)據(jù)分類，我們?yōu)榱藴y試看不見的數(shù)據(jù)分類，我們排除了每個類別一次從有依據(jù)的數(shù)據(jù)集中排除了每個類別從有依據(jù)的數(shù)據(jù)集。這使得在5 * 8=40的測試運行。這分類所有結(jié)果有表3所示?；旌戏诸惼鲀?yōu)于擴展貝葉斯分類器和完整的數(shù)據(jù)集合的支持向量機。表3貝葉斯分類器，混合分類器和支持向量機的整體識別率Bayesian ClassifierHybrid ClassifierSVMsMean0,75230,77860,7101Std. dev.0,05500,06390,0840表4顯示了已排除有依據(jù)的混合分類的

16、活動類別的TP率，F(xiàn)P率，精度，Recall和F-measure。這些結(jié)果對擴展的貝葉斯分類是相同的，因為看不見的類別檢測的兩個類別的P（T）的概率值是一樣的。作為經(jīng)典的支持向量機是沒有依據(jù)來檢測不可見的類別，對于支持向量機的TP率，F(xiàn)P率，精度，Recall和F-measure都為零?？床灰姷幕顒拥摹罢玖ⅰ焙汀跋嗷プ饔谩钡臋z測結(jié)果是普通的。從一個活動的角度來看，更多頻繁地類別（“走”和“坐”） 這兩個類別重疊，這也說明檢測錯誤。然而，一個鮮明的活動類別，如“沉睡”，很容易識別。整體利率表明，該方法可用于識別看不見的活動類別。Table 4活動類別的TP率，F(xiàn)P率，精度，Recall和F-me

17、asure“走”（0），“站立”（1），“坐”（2），（F值3），“睡覺”（4）Class% in data setsTP rateFP ratePrecisionRecallF-measure00,1810,0920,4530,1940,100,73740,13560,64810,73740,67630,01080,0010,39380,01080,02080,74670,26770,65760,74670,67130,53360,12170,68450,53360,58670,84760,06310,65570,84760,723Total1,000,57520,11780,60790,57520,53563結(jié)論我們提出了一種智能家