【技术实现步骤摘要】
一种基于时间和通道双注意力的人体姿态识别方法
本专利技术属于穿戴式设备智能监控领域,尤其涉及一种基于时间和通道双注意力的人体姿态识别方法。
技术介绍
近年来,随着计算机技术的发展和智能科技的普及,当前已经进入了新一轮的全球科技变革,大规模云计算、物联网、大数据和人工智能等技术也在飞速发展。其中,人体姿态识别技术也在计算机视觉相关领域的一个重要研究趋势。其应用范围十分广泛,可用于健康监视,运动检测,人机交互、影视制作、游戏娱乐等各种领域。人们可以利用人体随身佩戴的传感器来收集人体关节点运动轨迹数据来实现姿态识别,还可以实现3D动画模拟人体运动来制作电影电视剧等。随着智能可穿戴设备研究的不断发展,基于可穿戴传感器的人体姿态识别已经成为了重要的研究领域,他是通过分析能够反映人体运动行为的相关信息来判断人体运动行为状态的技术。在健康监护、室内定位与导航、用户社交行为分析,体感游戏等。但是目前的人体姿态识别系统大都存在识别精度低,推断速度慢等问题,所以如何建立一个高精度的网络模型同时保持推断速度便成为了亟待解决的问题。人体姿态识别目前最为广泛的应用是在于智能监控中。智能监控与一般普通监控的区别主要在于将人体姿态识别技术嵌入视频服务器中,运用算法,识别、判断监控画面场景中的动态物体——行人、车辆的行为,提取其中关键信息,当出现异常行为时,及时向用户发出警报。同样,固定场景下的人体姿态识别技术可以应用于家庭监控,如为了预防独居老人摔倒情况的发生,可以通过在家中安装识别摔倒姿态的智能监控设备,对独居老年人摔倒情况的识 ...
【技术保护点】
1.一种基于时间和通道双注意力的人体姿态识别方法,其特征在于,该方法包括如下步骤:/nStep1,通过移动传感器采集各活动类别人体姿态动作信号数据,并对这些动作信号数据附上相应的动作属性标签;/nStep2,对上述采集到的动作信号数据进行数据预处理,并将处理后的数据划分为训练样本集和测试样本集;所述处理包括:将数据进行固定步长的滑窗处理,以此将原始的长段传感器数据切成固定尺寸的数据,将上述处理得到的数据信号进行数据去噪、去空操作和归一化处理,再将其按比例缩放,使之落入特定的(0,1)区间;/nStep3,对上述处理后的数据作为输入样本输入多注意力深度卷积神经网络中训练,设置好学习率、优化器、固定batch大小以后,利用梯度下降不断减小深度卷积神经网络模型的损失值,同时更新各权重参数,直到损失值小于预设值时得到训练模型;/nStep4,利用训练好的模型对待识别的人体姿态数据进行分类识别。/n
【技术特征摘要】
1.一种基于时间和通道双注意力的人体姿态识别方法,其特征在于,该方法包括如下步骤:
Step1,通过移动传感器采集各活动类别人体姿态动作信号数据,并对这些动作信号数据附上相应的动作属性标签;
Step2,对上述采集到的动作信号数据进行数据预处理,并将处理后的数据划分为训练样本集和测试样本集;所述处理包括:将数据进行固定步长的滑窗处理,以此将原始的长段传感器数据切成固定尺寸的数据,将上述处理得到的数据信号进行数据去噪、去空操作和归一化处理,再将其按比例缩放,使之落入特定的(0,1)区间;
Step3,对上述处理后的数据作为输入样本输入多注意力深度卷积神经网络中训练,设置好学习率、优化器、固定batch大小以后,利用梯度下降不断减小深度卷积神经网络模型的损失值,同时更新各权重参数,直到损失值小于预设值时得到训练模型;
Step4,利用训练好的模型对待识别的人体姿态数据进行分类识别。
2.根据权利要求1所述的一种基于时间和通道双注意力的人体姿态识别方法,其特征在于,所述Step1中,在采集传感器数据信号时将传感器降采样频率设定为20Hz-40Hz。
3.根据权利要求1所述的一种基于时间和通道双注意力的人体姿态识别方法,其特征在于:所述Step2中,数据处理包括对数据剔除异常值和空值,并重新整理各个活动类别的数量,使数据集服从于均匀分布,并按照70%和30%分别作为训练样本和测试样本。
4.根据权利要求1所述的一种基于时间和通道双注意力的人体姿态识别方法,其特征在于,所述Step3具体包括如下内容:
3.1,建立6层卷积注意力神经网络模型,整个模型共建立三个卷积block,其中,每个block包含两层卷积提取层和一个跳接卷积层;
A:使用6层深度卷积构建卷积神经网络:
使用6层卷积层来构建卷积神经网络,其中每两层卷积层搭建为一个卷积block,在每个block的两层卷积上增加一个跳接卷积层,用来保持输入数据的维度RC×H×W,与输出数...
【专利技术属性】
技术研发人员:张雷,高文彬,刘悦,
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。