一篇外文文獻(xiàn)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(cè)個(gè)人活動(dòng) 摘要論文闡述了在智能家居環(huán)境中個(gè)人活動(dòng)的檢測(cè)。我們的系統(tǒng)是基于一個(gè)強(qiáng)大的視頻跟蹤器，創(chuàng)建和使用一個(gè)廣角攝像頭跟蹤目標(biāo)。該系統(tǒng)采了對(duì)用輸入目標(biāo)位置，大小和方向的翻譯。對(duì)每一個(gè)目標(biāo)進(jìn)行翻譯，產(chǎn)生活動(dòng)分類，如“走”，“站立”，“坐”，“吃飯”，或“睡眠”。貝葉斯分類器和支持向量機(jī)（SVMs）相比，獲取和識(shí)別到先前定義的單個(gè)活動(dòng)。這些方法在記錄的數(shù)據(jù)集上被評(píng)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(jī)。貝葉斯方法用于檢測(cè)先前地看不見(jiàn)的活動(dòng)，而支持向量機(jī)在識(shí)別獲取活動(dòng)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(píng)估結(jié)果表明，當(dāng)識(shí)別系統(tǒng)看不見(jiàn)的活動(dòng)時(shí)，生成和區(qū)別性的分類相結(jié)合方法的優(yōu)于單獨(dú)的方法。一，引言本文介紹了一種用于檢測(cè)在智能家居環(huán)境下的個(gè)人活動(dòng)的系統(tǒng)。目的是檢測(cè)預(yù)定義的和看不見(jiàn)的活動(dòng)。提出的系統(tǒng)是基于使用一個(gè)廣角攝像頭創(chuàng)建和跟蹤移動(dòng)目標(biāo)的可視化的跟蹤過(guò)程。提取目標(biāo)位置，大小和方向，作為每個(gè)目標(biāo)的活動(dòng)識(shí)別輸入。本文的兩個(gè)貢獻(xiàn)：首先，貝葉斯分類器和支持向量機(jī)（SVMs）相比，從視覺(jué)目標(biāo)屬性中獲取和識(shí)別基本的個(gè)人的活動(dòng)（“走”，“站立”，“會(huì)議”，“吃飯”，“睡覺(jué)”）

3、。 在數(shù)據(jù)集中這兩種方法都被測(cè)試和評(píng)估，記錄在智能家居環(huán)境的實(shí)驗(yàn)室樣機(jī)。其次，為識(shí)別預(yù)先看不到的活動(dòng)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(gè)有依據(jù)的數(shù)據(jù)模型。關(guān)于這個(gè)模型的概率確定與否，可以歸結(jié)預(yù)定義的活動(dòng)種類。如果是，支持向量機(jī)是用來(lái)確定獲取活動(dòng)種類。如果不是這樣，一個(gè)錯(cuò)誤檢測(cè)或一個(gè)新的活動(dòng)類（所獲取到的）被識(shí)別。該混合分類器在記錄數(shù)據(jù)集中已經(jīng)進(jìn)行了測(cè)定和評(píng)估。二，方法在下面，我們提出從視頻檢測(cè)活動(dòng)的方法。首先，我們對(duì)智能家居環(huán)境和強(qiáng)大視頻跟蹤系統(tǒng)進(jìn)行了簡(jiǎn)要描述。接著，闡述活動(dòng)種類和記錄的數(shù)據(jù)集。最后，貝葉斯分類器，支持向量機(jī)和混合分類器的分析和提出了對(duì)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(shí)驗(yàn)是在實(shí)驗(yàn)室進(jìn)行模型的一個(gè)智能家居客廳環(huán)境。環(huán)境包含一個(gè)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(jī)安裝在所有墻壁。在本文中,我們專注于使用一個(gè)單一廣角鏡頭，攝影機(jī)安裝在智能房間的一個(gè)角落里(圖1中)沙發(fā)的對(duì)面。圖1。我們的智能房（左）地圖，廣角相機(jī)視圖顯示灰色（中），廣角攝像機(jī)的圖像（右）廣角照相機(jī)觀察環(huán)境與一幀率之間的15和20每秒圖像（圖1）。一個(gè)強(qiáng)勁跟蹤系統(tǒng)實(shí)時(shí)檢測(cè)和跟蹤視頻圖像目標(biāo)。2.2視頻跟蹤系統(tǒng)在我們的智能環(huán)境中，一個(gè)強(qiáng)大的視頻實(shí)時(shí)跟蹤系統(tǒng)311被用來(lái)探測(cè)和跟蹤移動(dòng)的用戶。通過(guò)基于背景差集或標(biāo)準(zhǔn)化顏色直方圖強(qiáng)度的能量檢測(cè)值可檢測(cè)到目標(biāo)

5、。這個(gè)視頻跟蹤系統(tǒng)返回每個(gè)視頻幀的屬性向量。每個(gè)向量都包含的一個(gè)被系統(tǒng)檢測(cè)和跟蹤的目標(biāo)位置，大小和方向。返回為每個(gè)目標(biāo)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(biāo)跟蹤過(guò)程也可確定附加功能包括速度或能量。 圖2。強(qiáng)大的跟蹤儀估計(jì)目標(biāo)內(nèi)容2.3個(gè)人的活動(dòng)和數(shù)據(jù)集五類基本的活動(dòng)識(shí)別：“走”，“站立”，“坐”，“吃飯”和“睡覺(jué)”。 為了開(kāi)發(fā)和評(píng)估檢測(cè)過(guò)程中，我們錄得8個(gè)環(huán)境中的短視頻序列。在這些序列，一個(gè)或若干個(gè)個(gè)人在不同的智能間房的基本的活動(dòng)。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(dòng)。視頻序列中的播放個(gè)人的活動(dòng)已經(jīng)被手工標(biāo)記來(lái)用來(lái)獲取和評(píng)估。這

6、標(biāo)記過(guò)程由強(qiáng)大的跟蹤系統(tǒng)檢測(cè)每一幀對(duì)每個(gè)目標(biāo)分配一個(gè)活動(dòng)標(biāo)簽。如果檢測(cè)到的目標(biāo)并未做任何的五個(gè)基本的活動(dòng)，貼標(biāo)機(jī)有可能分配一個(gè)“無(wú)活動(dòng)”的標(biāo)簽。因此，每8個(gè)數(shù)據(jù)集包含一個(gè)目標(biāo)屬性（X，Y，第一半徑，第二半徑，角度）和相關(guān)活動(dòng)的標(biāo)簽列表。表1，視頻序列和分銷活動(dòng)的畫面編號(hào)（）Video SequenceNo. Frames1135226186344464468454027644777306783147Total31386Class% in data setsWalking0.18Standing0.09Sitting0.44Inter. Table0.19Sleeping0.102.4獲取和識(shí)別

7、個(gè)人的活動(dòng)通過(guò)使用機(jī)器獲取的方法，我們的系統(tǒng)是要找到一個(gè)檢測(cè)到信息（每幀目標(biāo)性質(zhì)）和個(gè)別活動(dòng)之間的關(guān)系來(lái)作為被提供了手動(dòng)標(biāo)簽人的感知和標(biāo)記。我們特別側(cè)重于貝葉斯方法，因?yàn)樗鼈兒芎玫剡m應(yīng)處理錯(cuò)誤的傳感器數(shù)據(jù)，他們?cè)谠S多應(yīng)用領(lǐng)域已經(jīng)被證明是有用的，尤其是計(jì)算機(jī)視覺(jué)8 10。在下面，我們將在記錄的數(shù)據(jù)集中首先介紹和評(píng)價(jià)貝葉斯分類器和支持向量機(jī)。然后，我們?yōu)榇_定不可見(jiàn)的活動(dòng)種類將提出和評(píng)價(jià)一種新型的結(jié)合了貝葉斯方法和支持向量機(jī)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(dòng)標(biāo)簽的基礎(chǔ)上，我們力圖獲取相關(guān)活動(dòng)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(biāo)屬性并

8、生成作為輸出幀的活動(dòng)預(yù)報(bào)。我們?cè)O(shè)法確定活動(dòng)aMAP的最大后驗(yàn)概率（MAP），給定的目標(biāo)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(jìn)一步假設(shè)的先驗(yàn)概率P（a）活動(dòng)的每一幀都是相等的。作為常數(shù)的分母可以因?yàn)閍rgmax消除，我們可以得到方程（3）。aMAP = arg max P(T | a) （3）我們?yōu)槊總€(gè)活動(dòng)模擬P(T|a)，在獲取的數(shù)據(jù)中通過(guò)運(yùn)行EM算法1作為多維混合高斯分布估計(jì)?；旌细咚鼓Ｐ偷某跏贾当辉O(shè)置為一個(gè)高值（128）; 混合高斯分布過(guò)少的相繼消除。我們對(duì)使用8折交叉驗(yàn)證視頻序列的錄音評(píng)估分類（見(jiàn)表1）分類。

9、每個(gè)序列已被用于測(cè)試一次，同時(shí)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?cè)u(píng)估了三種不同的目標(biāo)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(shí)別的個(gè)人活動(dòng)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(gè)目標(biāo)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(dāng)類似的位置。第一和第二的目標(biāo)屬性集（X，Y的角度來(lái)看，第一，第二）的結(jié)合的提供的最好的結(jié)果。支持向量機(jī)為了進(jìn)一步提高識(shí)別結(jié)果，我們使用支持向量機(jī)（支持向量機(jī)）作為分類。支持向量機(jī)2 5通過(guò)支持向量數(shù)據(jù)集測(cè)定，由過(guò)平均誤差最小化進(jìn)行分類，。一

10、個(gè)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(jiǎn)單分類的任務(wù)是，以確定哪一方的超平面的測(cè)試載體駐留。試驗(yàn)載體可以映射到一個(gè)更高（可能無(wú)限）維空間的函數(shù)。SVM找到一個(gè)最大的分離超平面在這個(gè)高維空間的邊距 K(xi, xj) = ( xi ） ( x j )被作為一個(gè)內(nèi)核功能。對(duì)多層次分類、“最后通過(guò)仿真實(shí)驗(yàn)證明了”的分類為每個(gè)k類,可以執(zhí)行。這個(gè)測(cè)試數(shù)據(jù)的分類是由一個(gè)在每一個(gè)二進(jìn)制比較增量的優(yōu)勝者的計(jì)數(shù)器上投票策略實(shí)現(xiàn)的。這種類是由所有類別進(jìn)行了比較后計(jì)數(shù)器值最高的被選取。我們?cè)u(píng)估了對(duì)視頻序列的錄音使用8折交叉驗(yàn)證（見(jiàn)表

11、1）分類。一個(gè)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(kù)4已經(jīng)用于實(shí)施和評(píng)價(jià)。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(shuō)，每個(gè)幀的目標(biāo)屬性是用來(lái)產(chǎn)生活動(dòng)標(biāo)簽，獨(dú)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(duì)于一個(gè)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(jiàn)的測(cè)試數(shù)據(jù)或發(fā)現(xiàn)新的類別的活動(dòng)。 表2。貝葉斯分類和SVM的識(shí)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(jī)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(jī)不提供有關(guān)是否是一個(gè)新的數(shù)據(jù)項(xiàng)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(jī)9，生成的概率僅是指有依據(jù)的類別內(nèi)的分布。錯(cuò)誤的目標(biāo)檢測(cè)或新的活動(dòng)種類，作為看不見(jiàn)的數(shù)據(jù)不能被確定。這些數(shù)據(jù)將被歸結(jié)為一個(gè)現(xiàn)有的類別。貝葉斯分類器是一個(gè)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(méi)一個(gè)新數(shù)據(jù)項(xiàng)目提供了一個(gè)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(diǎn)：貝葉斯分類和SVM的辨別力的概率輸出。圖3。擴(kuò)展貝葉斯分類器，混合分類器和支持向量機(jī)在下面,我們提出了一種結(jié)合了能識(shí)別無(wú)法看見(jiàn)數(shù)據(jù)的貝葉斯方法和識(shí)別可見(jiàn)數(shù)據(jù)的支持向量機(jī)的混合分類器。我們將比較擴(kuò)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(cè)試和評(píng)估，我們會(huì)限制自己的完整的目標(biāo)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(gè)新的數(shù)據(jù)項(xiàng)的類別我們仿照P(T|a)每項(xiàng)活動(dòng)的多維混合高斯分布由EM估計(jì)。我們通過(guò)建模延長(zhǎng)此外P（T）作為多維混

14、合高斯分布由EM估計(jì)。P（T）使人們可能從有依據(jù)的數(shù)據(jù)集模型估計(jì)出一個(gè)有一定概率的新數(shù)據(jù)項(xiàng)目。通過(guò)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(xiàng)目獲取類別或是否是看不見(jiàn)的數(shù)據(jù)（如錯(cuò)誤檢測(cè)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(xiàng)的概率極?。┑目勺詣?dòng)臨界值。混合分類器（圖二）結(jié)合類別有衣裾的支持向量機(jī)估計(jì)的P（T）（生成模型）。如果數(shù)據(jù)項(xiàng)支持向量機(jī)決定可見(jiàn)的數(shù)據(jù)，確定本項(xiàng)目的類別。在評(píng)估方面，我們比較混合分類器用一個(gè)擴(kuò)展的貝葉斯分類器（圖3）和經(jīng)典的支持向量機(jī)（圖三）。擴(kuò)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(jì)。我們要表明，混合分類器勝過(guò)一個(gè)純粹的貝葉斯分類器和一個(gè)

15、純粹的支持向量機(jī)。我們?cè)u(píng)估了三個(gè)不同的分類上的視頻序列用8倍交叉驗(yàn)證的記錄（見(jiàn)表1）。為了測(cè)試看不見(jiàn)的數(shù)據(jù)分類，我們?yōu)榱藴y(cè)試看不見(jiàn)的數(shù)據(jù)分類，我們排除了每個(gè)類別一次從有依據(jù)的數(shù)據(jù)集中排除了每個(gè)類別從有依據(jù)的數(shù)據(jù)集。這使得在5 * 8=40的測(cè)試運(yùn)行。這分類所有結(jié)果有表3所示。混合分類器優(yōu)于擴(kuò)展貝葉斯分類器和完整的數(shù)據(jù)集合的支持向量機(jī)。表3貝葉斯分類器，混合分類器和支持向量機(jī)的整體識(shí)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(dòng)類別的TP率，F(xiàn)P率，精度，Recall和F-measure。這些結(jié)果對(duì)擴(kuò)展的貝葉斯分類是相同的，因?yàn)榭床灰?jiàn)的類別檢測(cè)的兩個(gè)類別的P（T）的概率值是一樣的。作為經(jīng)典的支持向量機(jī)是沒(méi)有依據(jù)來(lái)檢測(cè)不可見(jiàn)的類別，對(duì)于支持向量機(jī)的TP率，F(xiàn)P率，精度，Recall和F-measure都為零?？床灰?jiàn)的活動(dòng)的“站立”和“相互作用”的檢測(cè)結(jié)果是普通的。從一個(gè)活動(dòng)的角度來(lái)看，更多頻繁地類別（“走”和“坐”） 這兩個(gè)類別重疊，這也說(shuō)明檢測(cè)錯(cuò)誤。然而，一個(gè)鮮明的活動(dòng)類別，如“沉睡”，很容易識(shí)別。整體利率表明，該方法可用于識(shí)別看不見(jiàn)的活動(dòng)類別。Table 4活動(dòng)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(jué)”（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