【技术实现步骤摘要】
一种基于信道选择卷积神经网络的人体姿态识别方法
本专利技术属于智能监控领域，尤其涉及一种基于信道选择卷积神经网络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，内存使用量大等问题，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...
【技术保护点】
1.一种基于信道选择卷积神经网络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；/nStep3，对上述处理后的数据作为输入样本送进信道选择卷积神经网络训练，设置期望通道水平、固定批次大小以后，利用梯度下降不断减小卷积神经网络模型的损失值同时更新各权重参数，直到训练模型符合要求，最后在测试样本集上训练得到神经网络模型；/nStep4，将训练好的网络模型保存转换成...
【技术特征摘要】
1.一种基于信道选择卷积神经网络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；
Step3，对上述处理后的数据作为输入样本送进信道选择卷积神经网络训练，设置期望通道水平、固定批次大小以后，利用梯度下降不断减小卷积神经网络模型的损失值同时更新各权重参数，直到训练模型符合要求，最后在测试样本集上训练得到神经网络模型；
Step4，将训练好的网络模型保存转换成预设格式文件移植到移动终端上；
Step5，通过移动终端采集待识别的动作信号数据，将所述动作信号数据输入到训练得到神经网络模型识别出人体姿态动作。
2.根据权利要求1所述的一种基于信道选择卷积神经网络的人体姿态识别方法，其特征在于，Step2中，所述处理包括：数据进行滑窗处理，通过滑窗处理将一串时序型的数据变成数个或者多个具有时序性的片段；将上述处理得到的数据进行数据异常处理和归一化处理，然后将其按比例缩放，使之落入(0，1)区间。
3.根据权利要求1或2所述的一种基于信道选择卷积神经网络的人体姿态识别方法，其特征在于，所述Step1中，降采样频率设定为20Hz-40Hz。
4.根据权利要求1或2所述的一种基于信道选择卷积神经网络的人体姿态识别方法，其特征在于，所述Step2中，包括对数据进行剔除异常值和空值，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，按照一定比例对数据集进行分配作为训练样本和测试样本。
5.根据权利要求1所述的一种基于信道选择卷积神经网络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：
(5.1)建立3层卷积神经网络模型，每层均为卷积操作组成，用信道选择卷积层替换传统卷积层；
(5.2)针对传感器采集的原始数据，采用滑窗技术将多传感器序列沿着时间维度滑动处理，并将经过频率重采样和归一化处理后的新数据送入卷积神经网络，所有的输入数据将会被划分为若干通道，设定阈值判断每个通道是否为有效人体姿态信息的通道，将有效人体姿态信息通道作为高权重通道，将无效人体姿态信息通道作为低权重通道，将高权重通道依次替换低权重通道，最后信道选择卷积核重新对输入数据进行卷积操作。
6.根据权利要求1所述的一种基于信道选择卷积神经网络的人体姿态识别方法，其特征在于，步骤(5.2)中的通道判断以及卷积操作如下：
A：使用期望通道损失矩阵判断通道的高低：
为了判断通道的权重，...
【专利技术属性】
技术研发人员：张雷，黄文博，王嘉琦，闵富红，
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。