王麗曉

摘要：隨著社會(huì)的不斷發(fā)展，人工智能越來越深入的融入到人們的生活，而人工智能的一個(gè)應(yīng)用智能家居大大提高了人們的生活水平。智能家居中最重要的部分就是人體安全監(jiān)控，而這一技術(shù)的核心就是人類活動(dòng)識(shí)別。傳統(tǒng)的識(shí)別技術(shù)速度慢、精確度低，而度量學(xué)習(xí)能很大程度改善傳統(tǒng)人類活動(dòng)識(shí)別技術(shù)的不足。本文研究的是將大間隔最近鄰應(yīng)用到人類活動(dòng)識(shí)別中以提高識(shí)別效率。

關(guān)鍵詞：大間隔最近鄰;人類活動(dòng)識(shí)別;度量學(xué)習(xí)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）02-0091-02

人工智能的核心是機(jī)器學(xué)習(xí)，而機(jī)器學(xué)習(xí)結(jié)果的好壞取決于對(duì)未知事物的分類精度，而在進(jìn)行分類的過程存在著數(shù)據(jù)之間相似性的比較，傳統(tǒng)的相似性對(duì)于特定的相似性需求往往得不到好的效果，這就導(dǎo)致了度量學(xué)習(xí)的出現(xiàn)，得到一個(gè)比較實(shí)用的相似性比較標(biāo)準(zhǔn)。本文選用的度量學(xué)習(xí)算法是大間隔最近鄰，下面是論文的具體內(nèi)容。

1 大間隔最近鄰算法

大間隔最近鄰算法（LMNN）是基于K-近鄰分類的馬氏距離度量。LMNN算法的最后結(jié)果是一個(gè)訓(xùn)練馬氏距離，該度量能使距離目標(biāo)數(shù)據(jù)最近的K個(gè)數(shù)據(jù)屬于同一類，使與目標(biāo)數(shù)據(jù)不同類的樣本盡量遠(yuǎn)離。算法的思想來源于對(duì)穩(wěn)定的K-近鄰分類的兩個(gè)簡(jiǎn)單的考慮。一方面，每個(gè)訓(xùn)練輸入數(shù)據(jù)應(yīng)當(dāng)與其k個(gè)最相近的數(shù)據(jù)具有同樣類別;同樣的，具有不同類別的訓(xùn)練輸入樣本應(yīng)當(dāng)使其盡量遠(yuǎn)離訓(xùn)練數(shù)據(jù)。算法訓(xùn)練的最后結(jié)果是訓(xùn)練得出樣本數(shù)據(jù)上的線性變換矩陣，經(jīng)過該矩陣轉(zhuǎn)換后的樣本數(shù)據(jù)可以滿足上述兩方面的要求。在實(shí)際運(yùn)行過程中，這兩方面的要求時(shí)通過兩個(gè)函數(shù)表達(dá)式來表達(dá)的。一個(gè)表達(dá)式是處理與目標(biāo)數(shù)據(jù)具有相同類別且距離較遠(yuǎn)的，經(jīng)過表達(dá)式的變化使距離變小;另一個(gè)是處理與目標(biāo)數(shù)據(jù)具有不同類別且距離較小，處理后使其遠(yuǎn)離目標(biāo)數(shù)據(jù)。這里有個(gè)問題，就是“大”和“小”的標(biāo)準(zhǔn)，此時(shí)需要引入新的概念來定義“大”和“小”。

2 算法介紹

2.1 樸素貝葉斯（NB）

樸素貝葉斯法是一種基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法。對(duì)于給定的訓(xùn)練數(shù)據(jù)集，首先基于特征條件獨(dú)立假設(shè)學(xué)習(xí)輸入/輸出的聯(lián)合概率分布;然后基于此模型，對(duì)給定的輸入，利用貝葉斯定理求出后驗(yàn)概率最大的輸出。因此，樸素貝葉斯需要得到幀被標(biāo)簽為標(biāo)簽的概率。

2.2 1-近鄰（1NN）

1-近鄰是k-近鄰的一種特殊情況。K-近鄰算法是一種基本分類與回歸的方法，它的輸入為樣本的特征向量，可以對(duì)應(yīng)到特征空間;輸出為樣本的類別，實(shí)現(xiàn)對(duì)樣本的分類。K-近鄰假設(shè)了一個(gè)給定的訓(xùn)練數(shù)據(jù)集，其中實(shí)例類別是已定的。對(duì)其進(jìn)行分類時(shí)，對(duì)于新的實(shí)例，根據(jù)其K個(gè)最近鄰的大多數(shù)的表決來決定新實(shí)例的類別。運(yùn)用到試驗(yàn)中就是K-近鄰分類器通過在訓(xùn)練數(shù)據(jù)中找到距目標(biāo)數(shù)據(jù)最近的數(shù)據(jù)并將類別從鄰居傳播到目標(biāo)數(shù)據(jù)來為每個(gè)目標(biāo)數(shù)據(jù)分配類別。

2.3 伴隨有拒絕任務(wù)的1-近鄰（1NN-M）

伴隨有拒絕任務(wù)的1-近鄰是在1-近鄰的基礎(chǔ)上對(duì)數(shù)據(jù)的選擇設(shè)置了一定的范圍，合格范圍是距目標(biāo)數(shù)據(jù)R寬的圓形范圍，超出圓形范圍的數(shù)據(jù)和別忽視。如果在R的范圍內(nèi)沒有目標(biāo)鄰居出現(xiàn)，我們就認(rèn)為目標(biāo)數(shù)據(jù) “未觀察到”。那么目標(biāo)數(shù)據(jù)的標(biāo)簽將由所有“為觀察到”的數(shù)據(jù)中找到距離它最近的數(shù)據(jù)，由大多數(shù)的這個(gè)數(shù)據(jù)的類別決定目標(biāo)數(shù)據(jù)的類別?？紤]到需要在度量學(xué)習(xí)之后進(jìn)行拒絕處理，那么需要我們手動(dòng)選擇拒絕半徑，以在辨別和拒絕任務(wù)上實(shí)現(xiàn)同等的準(zhǔn)確度。拒絕半徑可以通過交叉驗(yàn)證的方法來選擇，以實(shí)現(xiàn)識(shí)別和拒絕任務(wù)之間期望權(quán)衡。

2.4 帶有大間隔最近鄰算法的1-近鄰（1NN-R）

LMNN算法簡(jiǎn)單介紹如下。

LMNN算法學(xué)習(xí)了一個(gè)馬氏距離D：

（2-1）

LMNN的目標(biāo)是訓(xùn)練得到一個(gè)空間轉(zhuǎn)換矩陣——最大化不同類別數(shù)據(jù)間的距離，并且最小化相同類別數(shù)據(jù)間的距離：

最小化：

目標(biāo)函數(shù)：

（2-2）

是一個(gè)二進(jìn)制數(shù)，其值表示和是否同類，也是一個(gè)二進(jìn)制數(shù)，其值表示是否是同類中選中的最近鄰，是松弛變量。在目標(biāo)函數(shù)中，第一項(xiàng)最小化所有訓(xùn)練樣本與其所選擇的近鄰之間的距離。第二項(xiàng)最大化所有樣本中（通過松弛變量）相同標(biāo)簽樣本和不同標(biāo)簽樣本之間的間隔。

LMNN訓(xùn)練樣本數(shù)據(jù)最終得到一個(gè)空間轉(zhuǎn)換矩陣，其目的是使查詢數(shù)據(jù)按照我們的要求變換，我們可以通過選擇轉(zhuǎn)換后的k個(gè)與目標(biāo)數(shù)據(jù)最近的樣本數(shù)據(jù)的類別來定義目標(biāo)數(shù)據(jù)的類別。通一般情況下我們?cè)O(shè)置k=3。

3 樣本介紹

本文的實(shí)驗(yàn)用到了2個(gè)公開的數(shù)據(jù)集，Weizman數(shù)據(jù)集和由論文提供的兩個(gè)樣本集中其中一個(gè)樣本集及Kernel1樣本集。下面簡(jiǎn)單介紹一下樣本集的情況。

Weizman數(shù)據(jù)集是由9個(gè)演員演示10個(gè)活動(dòng)形成標(biāo)簽序列與3個(gè)額外的序列共93（9×10+3）個(gè)獨(dú)立動(dòng)作序列用于訓(xùn)練度量模型和評(píng)估分類精度。

Kernel1數(shù)據(jù)集包含由8個(gè)演員做14個(gè)活動(dòng)形成的532個(gè)數(shù)據(jù)序列，僅從一個(gè)角度拍攝的。

4 評(píng)估規(guī)則

為了表達(dá)分類的效果，我們需要一個(gè)評(píng)價(jià)規(guī)則來描述分類效果，這個(gè)就是我們說的評(píng)估規(guī)則。將數(shù)據(jù)集分成兩部分及訓(xùn)練是數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，訓(xùn)練樣本集用來訓(xùn)練目標(biāo)度量，測(cè)試數(shù)據(jù)集用于測(cè)試訓(xùn)練結(jié)果。對(duì)于測(cè)試樣本集來說，訓(xùn)練結(jié)果將數(shù)據(jù)正確分類的數(shù)量n與測(cè)試樣本總數(shù)N的比值就是我們要的測(cè)試結(jié)果。本文的分類正確率計(jì)算由下面公式計(jì)算：

具體的評(píng)估規(guī)則如下：

規(guī)則1：查找樣本集中某一個(gè)演員的所有序列的。

規(guī)則2：查找樣本集中所有與查詢序列動(dòng)作和演員都匹配的序列。

規(guī)則3：查找查詢的數(shù)據(jù)。如果演員一個(gè)動(dòng)作只做一次，那么該規(guī)則與與規(guī)則2相同。

規(guī)則4：查找測(cè)試集中與查詢動(dòng)作相同的所有數(shù)據(jù)。

5 實(shí)驗(yàn)結(jié)果

NB、1NN、1NN-M和LMNN算法在Weizmen數(shù)據(jù)集和Kernal1數(shù)據(jù)集在上的運(yùn)行結(jié)果分別如表1、2所示。

分析在Weizmen數(shù)據(jù)集實(shí)驗(yàn)數(shù)據(jù)，可以得到下面分析結(jié)果。NB、1NN和1NN-M算法的平均識(shí)別精度分別是93.84、95.71和97.58，通過計(jì)算我們可以看出應(yīng)用LMNN算法的識(shí)別精度相較于NB精度提高了3.74，相較于1NN精度提高了1.8。從有拒絕任務(wù)的實(shí)驗(yàn)結(jié)果中可以得到1NN和LMNN的平均識(shí)別精度分別是84.72和90.4，LMNN相較于1NN精度提高了5.68。

分析在Kernal1數(shù)據(jù)集實(shí)驗(yàn)數(shù)據(jù)，可以得到下面分析結(jié)果。NB、1NN和1NN-M算法的平均識(shí)別精度分別是97.06、97.37和98.39，通過計(jì)算我們可以看出應(yīng)用LMNN算法的識(shí)別精度相較于NB精度提高了0.31，相較于1NN精度提高了1.02。從有拒絕任務(wù)的實(shí)驗(yàn)結(jié)果中可以得到1NN和LMNN的平均識(shí)別精度分別是8530和93.76，LMNN相較于1NN精度提高了8.46。

6 結(jié)語(yǔ)

從數(shù)據(jù)上看度量學(xué)習(xí)中大間隔最近鄰算法確實(shí)在一定程度上提高了人類活動(dòng)識(shí)別的精度，我們?cè)谝院蟮难芯恐羞€可以嘗試其他的度量學(xué)習(xí)算法，將其應(yīng)用于需要識(shí)別、分類任務(wù)的各個(gè)領(lǐng)域，以期待它更好的表現(xiàn)。

參考文獻(xiàn)

[1] Veeraraghavan A，Chellappa R，Roychowdhury A K. The Function Space of an Activity[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition.IEEE Computer Society，2006：959-968.

[2] Weinberger K Q，Blitzer J，Saul L.Distance metric learning for large margin nearest neighbor classify-cation[J].Advances in neural information processing systems，2006，18：1473.

[3] Weinberger K Q，Saul L K.Distance metric learning for large margin nearest neighbor classification[J].Journal of Machine Learning Research，2009，10（Feb）：207-244.

[4] Do H，Kalousis A，Wang J，et al.A metric learning perspective of SVM： on the relation of LMNN and SVM[C]//AISTATS，2012：308-317.

[5] Khan Z A，Sohn W.Abnormal human activity recognition system based on R-transform and kernel discriminant technique for elderly home care[J].IEEE Transactions on Consumer Electronics，2011，57（4）.

Research on Human Activity Recognition Based on Large Interval Nearest

Neighbor Algorithm

WANG Li-xiao

（Zhengzhou Vocational College of? Electronic and Information Technology， Zhengzhou? Henan? 451400）

Abstract：With the continuous development of society， artificial intelligence is more and more deeply integrated into people's lives， and an application of artificial intelligence in smart home has greatly improved people's living standards. The most important part of the smart home is human security monitoring， and the core of this technology is human activity recognition. Traditional recognition technology is slow and has low accuracy， and metric learning can greatly improve the deficiency of traditional human activity recognition technology. This paper studies the application of large-spaced nearest neighbors to human activity recognition to improve recognition efficiency.

Key words：large-spaced nearest neighbor; human activity recognition; metric learning