活动识别

活动识别的目的是通过对xxx的行动和环境条件的一系列观察来识别一个或多个xxx的行动和目标。自20世纪80年代以来，这一研究领域已经吸引了一些计算机科学界的注意，因为它在为许多不同的应用提供个性化支持方面具有优势，并且与许多不同的研究领域如医学、人机交互或社会学有联系。由于其多面性，不同的领域可以将活动识别称为计划识别、目标识别、意图识别、行为识别、位置估计和基于位置的服务。

基于传感器的单用户活动识别基于传感器的活动识别将新兴的传感器网络领域与新颖的数据挖掘和机器学习技术整合在一起，为广泛的人类活动建模。移动设备（如智能手机）提供了足够的传感器数据和计算能力，使物理活动识别能够对日常生活中的能量消耗进行估计。基于传感器的活动识别研究人员认为，通过授权无处不在的计算机和传感器来监测xxx的行为（在同意的情况下），这些计算机将更适合代表我们行事。纳入颜色和深度信息的视觉传感器，如kinect，可以实现更准确的自动行动识别，并融合许多新兴的应用，如互动教育和智能环境。视觉传感器的多个视图使机器学习的发展能够实现自动视图不变的动作识别。在3D动作捕捉系统中使用的更先进的传感器允许高度精确的自动识别，在更复杂的硬件系统设置的费用。

基于传感器的活动识别是一项具有挑战性的任务，因为输入具有固有的噪声性质。因此，统计建模一直是这个方向上的主要推力，在几个中间层次上进行识别和连接。在收集传感器数据的最底层，统计学习涉及如何从收到的信号数据中找到xxx的详细位置。在中间层，统计推理可能涉及到如何从推断的位置序列和低层的环境条件中识别个人的活动。此外，在最高层次上，主要关注的是通过逻辑和统计推理的混合，从活动序列中找出一个代理的总体目标或子目标。

使用身体上的传感器识别多用户的活动最早出现在ORL在90年代初使用主动徽章系统的工作中。其他传感器技术，如加速度传感器，被用于识别办公场景中的群体活动模式。Gu等人研究了智能环境中多用户的活动，在这项工作中，他们研究了从家庭环境中的传感器读数中识别多用户活动的基本问题，并提出了一种新颖的模式挖掘方法，在统一的解决方案中识别单用户和多用户活动。

群体活动的识别与单用户或多用户活动的识别有着本质的区别，因为其目标是将群体的行为作为一个实体来识别，而不是其中单个成员的活动。群体行为在本质上是涌现的，这意味着群体行为的属性与其中的个体行为的属性或该行为的任何总和有根本的不同。主要的挑战是对群体成员个体的行为进行建模，以及个体在群体动态中的角色和他们与群体的突发行为的关系。仍需解决的挑战包括对加入群体的个人行为和角色进行量化，将角色描述的明确模型整合到推理算法中，以及对非常大的群体和人群进行可扩展性评估。群体活动识别可应用于人群管理和紧急情况下的响应，以及社交网络和量化自我应用。

通过逻辑和推理进行活动识别基于逻辑的方法跟踪观察到的行动的所有逻辑上一致的解释。因此，必须考虑所有可能的和一致的计划或目标。Kautz提供了一个计划识别的正式理论。他将计划识别描述为一个逻辑推理的圈定过程。所有的行动和计划都被统一称为目标，而识别者的知道