外文翻译 Detecting Individual Activities 智能家居 smart home.docVIP

原文题目：Detecting Individual Activities from Video in a Smart Home 译文题目：　 在智能家居中从视频中检测个人活动 　 摘要——论文阐述了在智能家居环境中个人活动的检测。我们的系统是基于一个强大的视频跟踪器，创建和使用一个广角摄像头跟踪目标。该系统采了对用输入目标位置，大小和方向的翻译。对每一个目标进行翻译，产生活动分类，如“走”，“站立”，“坐”，“吃饭”，或“睡眠”。贝叶斯分类器和支持向量机（SVMs）相比，获取和识别到先前定义的单个活动。这些方法在记录的数据集上被评估。然后提出一种新型的混合分类器。此分类器结合了生成的贝叶斯方法和区别性支持向量机。贝叶斯方法用于检测先前地看不见的活动，而支持向量机在识别获取活动类别的例子上被展示了能提供搞的区别力。记录的数据集的混合分类器评估结果表明，当识别系统看不见的活动时，生成和区别性的分类相结合方法的优于单独的方法。 一，引言 本文介绍了一种用于检测在智能家居环境下的个人活动的系统。目的是检测预定义的和看不见的活动。提出的系统是基于使用一个广角摄像头创建和跟踪移动目标的可视化的跟踪过程。提取目标位置，大小和方向，作为每个目标的活动识别输入。 本文的两个贡献：首先，贝叶斯分类器和支持向量机（SVMs）相比，从视觉目标属性中获取和识别基本的个人的活动（“走”，“站立”，“会议”，“吃饭”，“睡觉”）。 在数据集中这两种方法都被测试和评估，记录在智能家居环境的实验室样机。其次，为识别预先看不到的活动提出了一种新型的混合分类器。贝叶斯方法用于创建一个有依据的数据模型。关于这个模型的概率确定与否，可以归结预定义的活动种类。如果是，支持向量机是用来确定获取活动种类。如果不是这样，一个错误检测或一个新的活动类（所获取到的）被识别。该混合分类器在记录数据集中已经进行了测定和评估。 二，方法 在下面，我们提出从视频检测活动的方法。首先，我们对智能家居环境和强大视频跟踪系统进行了简要描述。接着，阐述活动种类和记录的数据集。最后，贝叶斯分类器，支持向量机和混合分类器的分析和提出了对数据集的结果。 2.1智能家居环境 在本文中所描述的实验是在实验室进行模型的一个智能家居客厅环境。环境包含一个小桌子周围三扶手椅和沙发（图1左）。在这环境中，麦克风阵列和摄像机安装在所有墙壁。在本文中,我们专注于使用一个单一广角镜头，摄影机安装在智能房间的一个角落里(图1中)沙发的对面。 图1。我们的智能房（左）地图，广角相机视图显示灰色（中），广角摄像机的图像（右） 广角照相机观察环境与一帧率之间的15和20每秒图像（图1）。一个强劲跟踪系统实时检测和跟踪视频图像目标。 2.2视频跟踪系统 在我们的智能环境中，一个强大的视频实时跟踪系统[3][11]被用来探测和跟踪移动的用户。通过基于背景差集或标准化颜色直方图强度的能量检测值可检测到目标。这个视频跟踪系统返回每个视频帧的属性向量。每个向量都包含的一个被系统检测和跟踪的目标位置，大小和方向。返回为每个目标性能最高的地位(x,y)的边界椭圆,半径的第一和第二轴椭圆和角度描述椭圆的方向(图2)从目标跟踪过程也可确定附加功能包括速度或能量。 图2。强大的跟踪仪估计目标内容 2.3个人的活动和数据集 五类基本的活动识别：“走”，“站立”，“坐”，“吃饭”和“睡觉”。 为了开发和评估检测过程中，我们录得8个环境中的短视频序列。在这些序列，一个或若干个个人在不同的智能间房的基本的活动。表1所示的帧的数量和分布的序列中播放的不同的活动。视频序列中的播放个人的活动已经被手工标记来用来获取和评估。 这标记过程由强大的跟踪系统检测每一帧对每个目标分配一个活动标签。如果检测到的目标并未做任何的五个基本的活动，贴标机有可能分配一个“无活动”的标签。 因此，每8个数据集包含一个目标属性（X，Y，第一半径，第二半径，角度）和相关活动的标签列表。 表1，视频序列和分销活动的画面编号（％） Video Sequence No. Frames 1 1352 2 6186 3 4446 4 4684 5 4027 6 4477 7 3067 8 3147 Total 31386 Class % in data sets Walking 0.18 Standing 0.09 Sitting 0.44 Inter. Table 0.19 Sleeping 0.10 2.4获取和识别个人的活动 通过使用机器获取的方法，我们的系统是要找到一个检测到信息（每帧目标性质）和个别活动之间的关系来作为被提供了手动标签人的感知和??标记。我们特别侧重于贝叶斯