《表2 用单一特征和多特征进行分类时准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种基于支持向量机的人类动作分类方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

考虑上述的2种方案。在方案1中，分类误差的平均值和方差各为0.072和0.010。在方案2中分类误差的平均值和方差各为0.081和0.007。即方案1的准确率为92.8%略大于方案2的准确率91.9%。这是因为方案1中的训练样本中包含了每个个体特有的动作特征，而方案2需要依靠9个个体的动作特征来分类三个未知个体的不同动作。方案1和方案2的混淆矩阵如表1所示。其中行标表示实际类别，列标表示估计到的类别。当样本特征空间为6维时，SVM给出了较为理想的分类结果。考虑样本空间为1维时，即每次用单一特征来训练SVM时其分类准确率如表2所示。从表2可以看出6个特征在人体动作分类时其重要性依次为躯干主多普勒频率、忽略微多普勒效应时的带宽、多普勒信号的总带宽、偏置量、多普勒信号强度的标准偏差、四肢来回摆动的周期。按照其重要性依次添加到特征向量里时，随着特征空间维数增加可以看到分类准确率明显上升，但特征5和6的加入对分类准确率的影响很小。