【技术实现步骤摘要】
基于循环注意力网络的人体动作识别方法及识别装置
本专利技术属于智能监控识别领域，具体涉及一种基于人体动作传感器数据自动定位识别与切割方法及人体动作识别装置。
技术介绍
人体动作识别技术在监控、人机交互、辅助技术、手语、计算行为科学和消费者行为分析、对人体动作行为的监测、识别和分析都有着广泛的需求。大体上动作识别技术分为二种：基于图像的识别和基于传感器的识别，而基于传感器的识别由于数据采集方便、保护用户隐私等原因，广受研究者的青睐。传统用于人体动作识别的方法多属于监督学习的范围内。比如说早期需要手动获取输入特征的支持向量机(SupportVectorMachine)和隐马尔科夫模型(HiddenMarkovModel)，之后随着深度学习的发展，尤其是卷积神经网络(ConvolutionalNeuralNetwork，CNN)和循环神经网络(RecurrentNeuralNetwork，RNN)的出现，使得深度学习网络可以自动地从输入数据中学习特征，这有效避免了在之前的浅度学习中需要手动整理特征的问题。尽管这些深度学习方法在人体...
【技术保护点】
1.一种基于循环注意力网络的人体动作识别方法，其特征在于：包括如下步骤：/nS1：利用多轴传感器采集人体各类动作数据；/nS2：将数据分割为包含多种动作类别的长时间序列段，并给序列段附上序列标签；/nS3：将处理后的数据输入预先构建的多层的循环注意力神经网络模型，实现特定类别动作的识别；/n其中所述循环注意力神经网络模型包括基于注意力机制的卷积神经网络和一个循环神经网络，其中循环神经网络的结构包括一层长短期循环神经网络，所述基于注意力机制的卷积神经网络利用卷积神经网络提取输入序列的特征向量，利用注意力机制算法对卷积神经网络中产生的局部特征向量和全局特征向量计算兼容性分数，将...
【技术特征摘要】
1.一种基于循环注意力网络的人体动作识别方法，其特征在于：包括如下步骤：
S1：利用多轴传感器采集人体各类动作数据；
S2：将数据分割为包含多种动作类别的长时间序列段，并给序列段附上序列标签；
S3：将处理后的数据输入预先构建的多层的循环注意力神经网络模型，实现特定类别动作的识别；
其中所述循环注意力神经网络模型包括基于注意力机制的卷积神经网络和一个循环神经网络，其中循环神经网络的结构包括一层长短期循环神经网络，所述基于注意力机制的卷积神经网络利用卷积神经网络提取输入序列的特征向量，利用注意力机制算法对卷积神经网络中产生的局部特征向量和全局特征向量计算兼容性分数，将兼容性分数作为输入数据的空间信息权重。
2.根据权利要求1所述的基于循环注意力网络的人体动作识别方法，其特征在于：所述步骤S2中对数据进行处理，还包括将处理后的数据调整成循环注意力神经网络的输入格式：(n，m，L，1)，其中n为数据样本个数，m为传感器的轴阵列，L为长时间序列段长度，数据维度为1。
3.根据权利要求1所述的基于循环注意力网络的人体动作识别方法，其特征在于：所述注意力机制算法包括以下步骤：
将定义为从卷积神经网络第s层中提取出的特征向量，称为局部特征向量，将从卷积神经网络全连接层中提取出的特征向量G称为全局特征向量，通过以下公式计算局部特征向量Ls和全局特征向量G的兼容性：
计算得出的被称作兼容性分数，通过以下公式进行标准化：
计算得出的标准化兼容性分数与局部特征向量进行加权运算：
计算得出的g＝[g1，g2，...，gn]代替全局特征向量G被输入线性分类层中进行动作类别的识别。
4.根据权利要求3所述的基于循环注意力网络的人体动作识别方法，其特征在于：所述方法还包括：根据标准化兼容性分数利用滑动窗口技术计算定位分数：
式中w代表滑动计算窗口的长度；
利用计算得出的定位分数S＝{s1，s2，...，sn}，通过设定阈值进行数据的切割，实现特定类别动作的定位。
5.一种基于循环注意力网络的人体动作识别装置，其特征在于：包括数据采集模块、数据预处理模...
【专利技术属性】
技术研发人员：张雷，王焜，严佳欢，唐寅，刘天一，高文彬，
申请(专利权)人：南京师范大学，
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。