【技术实现步骤摘要】
一种基于卷积神经网络的人体姿态识别方法
本专利技术属于计算机视觉
，具体涉及一种基于卷积神经网络的人体姿态识别方法。
技术介绍
近年来，随着信息技术的发展和人工智能技术的普及，人体姿态识别技术开始广泛应用。相关研究人员试图用收集到的人体姿势数据集来探索有效特征和进行分类。传统的姿态识别方法主要有两个步骤：(1)从原始输入图像中提取复杂的人工特征；(2)从获取的特征中训练分类器。在传统的姿态识别过程中，需要从原始输入图像中提取复杂的人工特征。虽然在识别精度上是有效的，但由于人体的高度复杂性，从骨关键点和深度图像信息中提取的特征尺寸往往相对较高。大部分深度图像需要进行预处理，导致特征提取困难，识别效率低，收敛时间长。传统方法并不是最优方法。然而，人工神经网络较传统的局部联合建模方法相比，具有非线性建模和自适应能力，可通过训练大量静态图像，挖掘图像深层次信息，来进行姿态识别；神经网络方法对图像中物体的局部特征进行了表征，分类更具鲁棒性。此外，通过引入稀疏正则化，减少激励函数输入不必要的增加，降低模型的复杂度，提高卷积神经网络的泛化能力，从而在保证较高的识别率的同时...
【技术保护点】
1.一种基于卷积神经网络的人体姿态识别方法，其特征在于，包括以下步骤：S01，获取人体姿态视频数据集，对其进行视频切成图像帧的预处理，并将被切成图像帧的图像数据集划分成训练集与验证集；S02，构建神经网络模型，在RELU激励函数输入处引入稀疏性，卷积神经网络的输入为所述步骤S01中预处理后的图像，输出为人体姿态类别；对所述卷积神经网络进行训练；S03，采用所述S02中的神经网络模型对人体姿态进行识别，在公开的人体姿态数据集KTH上进行模型训练和性能的测试；当有未知视频输入时，首先调用所述步骤S01进行预处理，然后利用所述步骤S02中的神经网络模型进行姿态识别，获取人体姿态类别。
【技术特征摘要】
1.一种基于卷积神经网络的人体姿态识别方法，其特征在于，包括以下步骤：S01，获取人体姿态视频数据集，对其进行视频切成图像帧的预处理，并将被切成图像帧的图像数据集划分成训练集与验证集；S02，构建神经网络模型，在RELU激励函数输入处引入稀疏性，卷积神经网络的输入为所述步骤S01中预处理后的图像，输出为人体姿态类别；对所述卷积神经网络进行训练；S03，采用所述S02中的神经网络模型对人体姿态进行识别，在公开的人体姿态数据集KTH上进行模型训练和性能的测试；当有未知视频输入时，首先调用所述步骤S01进行预处理，然后利用所述步骤S02中的神经网络模型进行姿态识别，获取人体姿态类别。2.根据权利要求1所述的一种基于卷积神经网络的人体姿态识别方法，其特征在于：在所述步骤S01中，获取人体姿态视频数据集具体包括以下步骤：S11:获取公开的KTH人体姿态视频数据集；S12:将视频切割成帧，并保存每帧的图像；S13:从图像中筛选出出现完整人体并作出标签对应姿态的人体行为的图像，删除空白或者未出现完整人体或未作出标签对应姿态的人体行为的图像，并对筛选后的图像进行分类标记；所述标签对应姿态包括拳击、挥手、鼓掌、慢跑、跑、慢走；所述分类标记具体为按照拳击、挥手、鼓掌、慢跑、跑、慢走这6类姿态进行标记；S14:使用高斯混合模型来提取前景，即运动的人体；S15:对所述步骤S13中筛选后的图像进行归一化处理；S16:按8:2的比例将所述步骤S15中归一化处理后的图像集随机分为训练集和验证集。3.根据权利要求1所述的一种基于卷积神经网络的人体姿态识别方法，其特征在于：在所述步骤S02中，所述卷积神经网络包括4个卷积层、4个池化层、2个全连接层和1个分类层；前两个卷积层中卷积核的大小设置为5×5，后两个设置为3×3；所有池化层的大小设置为2×2，池化层采用最大池化；第一个卷积层中的卷积核数目32个，第二卷积层中的卷积核数目64个，第三和第四个卷积层中的卷积核数目均为128个；第一个全连接层中的神经元数设置为1024个，第二个全连接层中的神经元数量设置为512个；在卷积层和全连接层中，使用RELU函数作为激活函数。4.根据权利要求3所述的一种基于卷积神经网络的人体姿态识...
【专利技术属性】
技术研发人员：张袁，李建，罗颖，张亦昕，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。