基于大数据平台的人体行为检测和预警制造技术

本发明专利技术公开了一种基于大数据平台的人体行为检测和预警方法，包括以下步骤：(1)提取行为表示特征量，通过Xtion Pro Live提供多种数据特征量，包括图像、场景深度，人体关节数据；(2)BP神经网络训练，通过信息正向传播，比较误差反向传播，沿着误差性能函数梯度的反方向修正权值；(3)人体行为的检测，研究人体全身骨架，通过实时监控人体做出的相关行为，通过相关的算法学习运用，从而实时判断人体相关异常行为并做出警报。

【技术实现步骤摘要】
基于大数据平台的人体行为检测和预警
本专利技术涉及行为检测领域，具体涉及一种基于大数据平台的人体行为检测和预警方法。
技术介绍
体感作为一个新兴的研究领域，基于体感设备人体行为识别研究受到了越来越多研究者的关注。通过对传感器釆集的数据进行加工、处理和分析，进而使得计算机系统能够理解个体动作、群体之间以及个体与环境之间的交互是人体动作识别研究的目的。由于环境复杂多变，人体形态差异以及运动习惯的不同，如何有效准确的理解人体行为历来都是一个研究热点与难点。人体行为识别研究具有重要的理论研究价值，其涉及计算机视觉、传感器技术、模式识别和人工智能等多个学科。对人体行为进行研究不仅拓宽了学科间的研究方向，而且随着研究的深入势必会带动众多相关学科的发展。近年来国内外众多高校和研究机构都对人体行为识别技术进行了深入的研究，如卡耐基梅隆大学，麻省理工学院，英国雷丁大学，微软亚洲研究院，清华大学中科院自动化研究所等均对人体动作识别方法有着专门研究。从年起关于人体动作识别与行为识别的文章就开始急剧增加，国内外的权威学术会议和期刊如、等均将人体行为识别研究作为主体内容之一。人体行为识别研究同样具有广阔的应用前景，在安防监控、人机交互、智能机器人开发及运动分析等众多领域都可以使用人体行为识别技术：安防监控领域，目前视频监控系统在城市治安、消防以及交通调度方面发挥了重要作用，将人体动作识别、行为理解研究成果用于智能监控则可以对突发情况进行自动预警。美国于年推动项目用于研究战场和民用场景中的视频理解技术年欧盟程序委员会设立项目研究人的行为模式和人机交互，国内外众多厂商也已面向市场推出了具有行为识别的监控产品。智能监护领域，目前我国已经进入老龄化社会，社会压力的增大使得年轻子女无暇照顾老人，家庭环境中的智能监护系统则可以检测到老人的异常行为并及时发出警报。高级人机交互，未来的智能设备应该具备感知外界环境的能力，通过分析人的面部表情和肢体语言来理解人的意图或者行为是智能设备开发的一个重要方向之一。
技术实现思路
本专利技术的目的在于提出一种新的人体行为检测方式，提供一种基于大数据环境下的行为监测平台。本专利技术在大数据平台的环境下，提供了一种全新的人体行为识别方法.本专利技术所要研究的问题定位在小范围空间内的人体异常行为识别和预警，具体包括跌倒和打架行为等。主要工作集中在人体姿态特征参数的提取，运用神经网络模型学习和动态动作的识别和分析三个方面。一种基于大数据平台的人体行为检测和预警方法，包括以下步骤:(1)提取行为表示特征量，通过XtionProLive提供多种数据特征量，包括图像、场景深度，人体关节数据；(2)BP神经网络训练，通过信息正向传播，比较误差反向传播，沿着误差性能函数梯度的反方向修正权值；(3)人体行为的检测，研究人体全身骨架，通过实时监控人体做出的相关行为，通过相关的算法学习运用，从而实时判断人体相关异常行为并做出警报。具体的，所述步骤(1)中，人体关节数据包括求解人体关节点之间角度的方法如下：首先，选取要计算关节角度所涉及的关节点；然后，采用XtionProLive获取的关节点的三维坐标值，构造关节结构向量；最后利用余弦定理求出关节点连线之间的角度大小；同时可以根据OpenNI接口函数获取相对距离，通过获取关节点的角度和相对距离初步对人体行为作出判断。具体的，所述步骤(2)BP神经网络训练包括以下步骤：1)初始系数设定和输入样本；2)计算各层节点输出；3)计算输出层误差；4)判断误差是否达到要求；5)如果是则结束学习过程，如果否，继续计算隐含层误差，求误差梯度，调整系数，返回步骤2)。具体的，人体相关异常行为包括跌倒和打架行为。本专利技术相对于现有技术具有如下的优点及效果：本专利技术能够应用在大数据环境中，尤其是在大数据背景下人体行为的识别，提高了算法的识别精度，提高了算法的泛化能力。附图说明图1是关节点相对距离系数结构向量示意图；图2是人工神经网络数学模型；图3是阶跃函数曲线图；图4是S型函数曲线图；图5是BP神经网路拓扑结构图图6是BP神经网络算法流程图；图7是实验系统总体框架；图8是人体全身骨架和异常行为识别图。具体实施方式下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。本专利技术基于大数据平台下，利用XtionProLive设备，openni结合c++编程语言实现。总体实现步骤如下：(1)提取行为表示特征量，如何提取行为表示特征量是人体行为识别研究的关键，行为表示特征量的选择直接影响到人体行为识别算法的有效性。XtionProLive可以提供图像、场景深度等多种数据特征量，尤其是可以采集人体关节数据。(2)BP神经网络训练，BP神经网络是一种多层前馈型人工神经网络，主要用于函数逼近、模式分类、数据压缩和模型预测等领域，是迄今为止在工程领域应用最为广泛的一类神经网络模型。(3)人体行为的检测，研究人体全身骨架，通过实时监控人体做出的相关行为，比如摔倒等通过相关的算法学习运用，从而实时判断人体相关异常行为并做出警报。具体实现步骤如下:(1)提取行为表示特征量:如图1所示目前OpenNI一共定义了24个关节点(XnSkeletonJoint)，不过目前只有15个节点可以通过xn::SkeletonCapability的成员函数EnumerrateActiveJoints()取得关节列表。OpenNI定义的24个关节点如下:求解人体关节点之间角度的方法如下：首先，选取要计算关节角度所涉及的关节点；然后，采用XtionProLive获取的关节点的三维坐标值，构造关节结构向量；最后利用余弦定理求出关节点连线之间的角度大小。同时可以根据OpenNI接口函数获取相对距离，通过获取关节点的角度和相对距离初步对人体行为作出判断。(2)BP神经网络训练:围绕人工神经元模型、BP神经网络数学模型和BP神经网络学习算法。人工神经元模型:如图2所示为其基本的数学模型。对于每个神经元i，有输入向量X＝(X1,X2,…,Xn)和权值Wi＝(w1i,w2i,..wmi)其中Wki(1≤k≤n)表示与第个输入相对应的权值系数，可知输出Yi为：f(.)为神经元活化函数，常使用阶跃函数和逻辑S型函数。阶跃函数:泛化为逻辑S型函数：其中逻辑Sigmiod函数又称之为S型函数，是BP神经网络中最常用的活化函数，具有全局可导的优点，且在0点附近具有近似线性的性质，变量a决定曲线的型坡度，图3和图4分别为两种函数的曲线形状，图屮S型函数a＝1。BP神经网络数学模型:一般来说使用一个具有三层结构的神经网络就能够实现任意复杂类型的映射，三层神经网络包括输入层、隐含层和输出层，图5为其拓扑结构。针对上述模型容易得知BP三层神经网络的数学模型，假设输入样本为X＝(X1,X2,…,Xn),隐含层输出结果为Y＝(y1,y2,…,ym)，输出层的输出结果为O＝(O1,O2,..,Oq)，期望输出T＝(t1,t2,…,tq)，输入层与隐含层之间的权值矩阵为V＝(v1,v2,…,vm)，其屮vj为隐含层中神经元j所对应的权值向量，有vj＝(v1,v2,..,vn)，阈值为θj,W＝(w1,w2,…,wi)表示隐含层同输出层之间的权值矩阵，其中wi为输出层中第L个本文档来自技高网...

【技术保护点】
一种基于大数据平台的人体行为检测和预警方法，其特征在于，包括以下步骤：(1)提取行为表示特征量，通过Xtion Pro Live提供多种数据特征量，包括图像、场景深度，人体关节数据；(2)BP神经网络训练，通过信息正向传播，比较误差反向传播，沿着误差性能函数梯度的反方向修正权值；(3)人体行为的检测，研究人体全身骨架，通过实时监控人体做出的相关行为，通过相关的算法学习运用，从而实时判断人体相关异常行为并做出警报。

【技术特征摘要】
1.一种基于大数据平台的人体行为检测和预警方法，其特征在于，包括以下步骤：(1)提取行为表示特征量，通过XtionProLive提供多种数据特征量，包括图像、场景深度，人体关节数据；(2)BP神经网络训练，通过信息正向传播，比较误差反向传播，沿着误差性能函数梯度的反方向修正权值；(3)人体行为的检测，研究人体全身骨架，通过实时监控人体做出的相关行为，通过相关的算法学习运用，从而实时判断人体相关异常行为并做出警报。2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，人体关节数据包括求解人体关节点之间角度的方法如下：首先，选取要计算关节角度所涉及的关节点；然后...

【专利技术属性】
技术研发人员：左超，武继刚，孟敏，王勇，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44