一种基于半监督学习的人体运动检测系统及方法技术方案

本发明专利技术公开了一种基于半监督学习的人体运动检测系统及方法，涉及数据信息分类系统。本发明专利技术中：传感监测部分中，通过传感器对人体运动状态进行相应监测；状态参数部分中，包括相应状态的动作范围值，包括对状态范围值的上下限调整；半监督学习部分中，包括学习分类器以及学习分类器对传感器监测到的数据信息的分析匹配操作。本发明专利技术通过建立预设的人体动作参数范围值，利用传感监测和视频监测方式，对人体运动状态进行正确分析，判断出学习分类器对数据样本的状态分类准确性，通过参数范围调整修正方式，建立出精准的状态参数范围，从而高效精准的对大量后续未知样本进行人体运动状态分类。

A system and method for human motion detection based on semi supervised learning

The invention discloses a human body motion detection system and method based on semi supervised learning, which involves a data information classification system. In the present invention: the sensing part, the corresponding monitoring through the sensor on the human motion state; state parameter part, including the corresponding state action range, including upper and lower limit of adjustment to the range of values of the state; semi supervised learning part, including the analysis of learning and learning classifier classifier for sensors to monitor the data information matching operation. The present invention through the establishment of human motion parameters preset by the sensor monitoring and video monitoring mode of human motion state of the correct analysis, determine the classification accuracy of learning classifier of the sample data, the parameter range adjustment, a range of state parameters accurate, precise and efficient to classify the motion state of human body a large number of subsequent unknown samples.

【技术实现步骤摘要】
一种基于半监督学习的人体运动检测系统及方法
本专利技术涉及数据信息分类系统领域，尤其涉及一种基于半监督学习的人体运动检测系统及方法。
技术介绍
机器学习是一种智能科学，该领域主要研究基于样本数据和过往经验的计算机算法，使用计算机进行模拟并实现人类感知、学习、判别等行为。机器学习是人工智能领域研究的核心，通过对经验数据进行分析和学习策略的优化，以达到最优化组织知识结构的目的。半监督学习是机器学习的一种重要形式，通过半监督学习对数据信息样本进行分类。传统的分类进行分类学习只关注了标注数据集用于模型的训练，但是标记数据的获得具有非常困难、时间花费大、人力投入较大等问题，同时数据标记过程是一个需要有经验知识的人积极参与的过程；相反，未标记数据往往比较容易收集，但并没有太多的方法和策略去使用这些未标记数据提供的信息。半监督学习考虑到了使用大量未标记数据，同时结合已标记数据的用于建立性能更好的分类器；因此半监督学习需要使用较少的人力便能获得较大的分类器精度提高，其在理论研究和工业实践中得到了广泛的关注。半监督学习不仅涵盖半监督分类，同时也被应用在了半监督聚类、半监督回归等诸多变形中。在生活中，许多人会进行相应的活动，在进行活动过程中，主要分为站立活动、行走活动和奔跑活动，对这些活动锻炼进行相应的传感分析，成为有效进行人体机能监测的重要参照依据，而采用半监督学习的分类方式，可以较好的对人体运动数据进行参数反馈修正，从而完成对后续大量未知样本的精准匹配。
技术实现思路
本专利技术要解决的技术问题是提供一种基于半监督学习的人体运动检测系统及方法，通过建立预设的人体动作参数范围值，利用传感监测和视频监测方式，对人体运动状态进行正确分析，判断出学习分类器对数据样本的状态分类准确性，通过参数范围调整修正方式，建立出精准的状态参数范围，从而高效精准的对大量后续未知样本进行人体运动状态分类。为解决上述技术问题，本专利技术是通过以下技术方案实现的：本专利技术提供一种基于半监督学习的人体运动检测系统：包括传感监测部分、状态参数部分和半监督学习部分以及视频监测分析部分。传感监测部分中：通过传感器对人体运动状态进行相应监测。状态参数部分中：包括相应状态的动作范围值，包括对状态范围值的上下限调整。半监督学习部分中：包括学习分类器以及学习分类器对传感器监测到的数据信息的分析匹配操作。视频监测分析部分中：包括视频监测系统对人体运动进行相应监测。其中，状态参数部分包括若干预设值部分和与预设值相对应的限定调整值部分。其中，学习分类器与视频监测系统之间设置时间同步模块。其中，学习分类器内设置相应的状态分类，状态分类中包括人体的站立活动、行走状态和奔跑状态。一种基于半监督学习的人体运动检测方法：第一步，建立原始数据样本，将原始数据导入学习分类器，对原始数据样本进行相应的动作判定操作，划分出动作范围值的初始数据；第二步，通过学习分类器对传感器检测到的数据样本进行状态信息分类，将相应数据范围内的样本数据分类到对应的状态分类内；第三步，通过视频监测系统对人体运动状态进行检测观察，通过时间同步方式，分析学习分类器内通过传感器监测到的数据样本的状态分类结果；第四步，对学习分类器的状态分类结果进行判定，对正确状态分类的状态数据样本进行相应存储；第五步，对出现失误分类的状态数据样本进行分析，通过视频监测到的人体运动状态，将失误分类的状态数据样本划分到相应正确的状态分类范围内，并对原始状态分类的划分数据值进行相应的调整操作。与现有的技术相比，本专利技术的有益效果是：本专利技术通过建立预设的人体动作参数范围值，预设置出相应的状态分类，通过传感器对人体运动参数进行传感监测，并通过学习分类器进行数据样本的状态归属，再通过时间同步的视频监测方式，对人体运动状态进行正确分析，判断出学习分类器对数据样本的状态分类准确性，通过参数范围调整修正方式，建立出精准的状态参数范围，从而高效精准的对大量后续未知样本进行人体运动状态分类。附图说明图1为本专利技术的基于半监督学习的人体运动检测系统结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。具体实施例一：本专利技术为一种基于半监督学习的人体运动检测系统，包括传感监测部分、状态参数部分和半监督学习部分以及视频监测分析部分。传感监测部分中：通过传感器对人体运动状态进行相应监测。状态参数部分中：包括相应状态的动作范围值，包括对状态范围值的上下限调整。半监督学习部分中：包括学习分类器以及学习分类器对传感器监测到的数据信息的分析匹配操作。视频监测分析部分中：包括视频监测系统对人体运动进行相应监测。进一步的，状态参数部分包括若干预设值部分和与预设值相对应的限定调整值部分。进一步的，学习分类器与视频监测系统之间设置时间同步模块。进一步的，学习分类器内设置相应的状态分类，状态分类中包括人体的站立活动、行走状态和奔跑状态。一种基于半监督学习的人体运动检测方法：第一步，建立原始数据样本，将原始数据导入学习分类器，对原始数据样本进行相应的动作判定操作，划分出动作范围值的初始数据；第二步，通过学习分类器对传感器检测到的数据样本进行状态信息分类，将相应数据范围内的样本数据分类到对应的状态分类内；第三步，通过视频监测系统对人体运动状态进行检测观察，通过时间同步方式，分析学习分类器内通过传感器监测到的数据样本的状态分类结果；第四步，对学习分类器的状态分类结果进行判定，对正确状态分类的状态数据样本进行相应存储；第五步，对出现失误分类的状态数据样本进行分析，通过视频监测到的人体运动状态，将失误分类的状态数据样本划分到相应正确的状态分类范围内，并对原始状态分类的划分数据值进行相应的调整操作。具体实施例二：如图1所示，建立参数预设值范围A、B、C、D、E，并将参数预设值范围传输给学习分类器，学习分类器对这五个初始的范围值进行状态分类。其中，A参数范围对应站立活动状态，B和C参数范围对应行走状态，D和E参数范围对应奔跑状态。当人体进行运动时，装设在人体上的传感器对人体活动进行传感监测；与此同时，视频监测装置对人体此时的状态进行同步录制；同时，学习分类器获取到传感器传输来的传感器监测数据样本，学习分类器将数据采集时间与数据样本进行同步存储，学习分类器将数据样本进行状态分类。学习分类器对数据样本进行初始状态分配后，调取人体活动状态视频，对人体活动状态进行辅助判断，并对学习分类器的状态分类进行判断；若学习分类器对数据样本的分类正确，则将相应数据划分到预设值范围内；若学习分类器对数据样本的分类失误，则对数据样本划分到正确的活动状态分类内，并对相应的状态分类的参数范围进行调整，例如图1中B与D之间进行的参数范围调整c；进行多次样本训练后，学习分类器能够精准的对后续的大量未标记数据进行高效精准的状态分类。以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
一种基于半监督学习的人体运动检测系统，其特征在于：包括传感监测部分、状态参数部分和半监督学习部分以及视频监测分析部分；传感监测部分中：通过传感器对人体运动状态进行相应监测；状态参数部分中：包括相应状态的动作范围值，包括对状态范围值的上下限调整；半监督学习部分中：包括学习分类器以及学习分类器对传感器监测到的数据信息的分析匹配操作；视频监测分析部分中：包括视频监测系统对人体运动进行相应监测。

【技术特征摘要】
1.一种基于半监督学习的人体运动检测系统，其特征在于：包括传感监测部分、状态参数部分和半监督学习部分以及视频监测分析部分；传感监测部分中：通过传感器对人体运动状态进行相应监测；状态参数部分中：包括相应状态的动作范围值，包括对状态范围值的上下限调整；半监督学习部分中：包括学习分类器以及学习分类器对传感器监测到的数据信息的分析匹配操作；视频监测分析部分中：包括视频监测系统对人体运动进行相应监测。2.根据权利要求1所述的一种基于半监督学习的人体运动检测系统，其特征在于：所述状态参数部分包括若干预设值部分和与预设值相对应的限定调整值部分。3.根据权利要求1所述的一种基于半监督学习的人体运动检测系统，其特征在于：所述学习分类器与视频监测系统之间设置时间同步模块。4.根据权利要求1所述的一种基于半监督学习的人体运动检测系统，其特征在于：所述学习分类器内设置相应...

【专利技术属性】
技术研发人员：印金汝，刘贵全，叶剑鸣，
申请(专利权)人：合肥赑歌数据科技有限公司，
类型：发明
国别省市：安徽,34