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

本发明专利技术公开了一种基于信道选择卷积神经网络的人体姿态识别方法，包括：利用移动设备采集人体动作的原始数据，附上动作的标签、利用滑窗和归一化处理并切分为训练样本集和测试样本集、建立基于信道选择卷积神经网络模型，与常规神经网络相比，引入了信道选择卷积核策略，首先是对输入样本利用期望通道损失矩阵判断通道的权重，然后再对权重低的通道进行阻断，权重高的通道进行重分配，为了防止多样性的缺失，在重分配后加入了空间位移经过多层训练后，进行姿态识别。由于空间位移的作用，空间偏置会向中间聚集，所以卷积核相当于被扩大，所以当样本输入时，参数可以被更好的利用，并且保持参数量不变，本发明专利技术具有识别精准。

【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别,当出现紧急情况时及时做出响应。人类社会的不断发展与生活质量的不断提升,视频监控已经被非常广泛地应用到各个领域,人们生活空间的不断扩大和延展,公共及私人场所的领域也在随之发展,遇到各种突发情况的概率在不断增加,尤其是在公共场所,由于其监控难度较大,人口密集。通过简单的监控,已经无法满足当今社会发展的要求,简单地依靠值班人员的坚守,想要真正做到人体姿态预测还有较大难度,对于社会资源也是一种潜在的浪费。因此,选用独立于个体的智能监控系统已经成为当前社会解决这一根本问题的必由之路,在社交的过程中,人类除了语言以外其肢体动作也能传递一定的信息,通过较为科学合理的预测能够实现动作的含义解读,并且更好帮助人们的实现社交。深度学习在模式识别上有着很好的发展前景。其中以卷积神经网络为代表的模型架构更是占据了主流地位。卷积神经网络在计算机视觉领域受到极大关注，它不仅可以处理多维数据，而且在大数据量的前提下比传统方法效果更加显。对比传统的机器学习方法，例如逻辑回归，决策树，马尔科夫模型等，精度提高的同时，内存消耗也更多，人体姿态识别更多是应用在小内存和小处理器的基础上。因此节约内存的同时大幅度提高精度是需要进一步研究的。
技术实现思路
专利技术目的：因为现在移动设备的兴起，需要更加便携更精确且耗时少的模型来进行人体姿态分类。在保持计算速度、占用内存量不变的基础上，信道选择卷积神经网络可以提升人体姿态分类的精度。技术方案：本专利技术提出一种基于信道选择卷积神经网络的人体姿态识别方法，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(例如躺下，站起，行走，跑步，跌倒等)，设置采样频率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：数据进行小步长的滑窗处理，减少滑动步长，在同一组数据上可以采样更多次，获取更多数据、将上述处理得到的数据信号进行数据清洗和归一化处理即将其按比例缩放，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送进信道选择卷积神经网络训练，设置高权重通道数、固定batch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，最后得到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。进一步的，所述Step1中，降采样频率设定为20Hz-40Hz。进一步的，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，并按照70％和30％分别作为训练样本和测试样本。进一步的，所述Step3具体包括如下内容：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；针对传感器原始数据，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，包含大量有效人体姿态信息的通道为高权重通道，含有较少甚至无有效人体姿态信息的通道为低权重通道，高权重的通道会依次替换掉低权重的通道，最后信道选择卷积核重新对输入数据进行卷积操作，可以大幅提升精度。具体实施如下：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，使用期望通道损失矩阵的均值，判断卷积层功能上的差异，期望通道损失矩阵的均值表示为：ECDM(W；X)i为第i个通道的期望通道损失矩阵的均值，Conv(W；Xi)为第i个卷积层，Conv(W；X)为除去Conv(W；Xi)外的其它卷积层，W为卷积层权重，Xi为第i个输入量，h和w分别为卷积核的高和宽，卷积核在高和宽上差值的期望为Ex，为高和宽上卷积核差值期望之和的平均值；B：通道阻断和重分配操作：一次信道卷积操作能够被表示为：SelectConv(X；W)∶＝gi.Conv(W；Xi)SelectConv(X；W)为信道选择卷积层，gi为卷积层的数量参数，X为通道选择卷积层输入量，W为信道选择卷积层的权重，设定一个期望通道水平γ∈(0,1)，当ECDM(W；X)i<γ时，则代表第i个通道为低权重通道，当ECDM(W；X)i>γ时，则代表第i个通道为高权重通道，设置低权重通道数量为N，高权重通道数也为N，将N个高权重的通道覆盖到N个低权重通道的操作称为重分配；C：空间位移操作：加入了空间位移，空间位移函数可表示为：shift(Xn,bh)h为重分配时卷积核在高h的空间位移函数，bh为重分配时卷积核高h上的偏置，Xn为神经网络在高h上的输入，|Xn+bh|为Xn与卷积核高h上的偏置bh和的绝对值，送入取大函数max中取1-|Xn+bh|与0对比并取出较大值。在高h上对Xn和取大函数max(0,1-|Xn+bh|)的乘积求和，求和时高记为n。shift(Xm,bw)w为重分配时卷积核在宽w的空间位移函数，bw为重分配时卷积核宽w上的偏置，Xm为神经网络在宽w上的输入，|Xm+bw|为Xm与卷积核宽w上的偏置bw和的绝对值，本文档来自技高网...

【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预设格式文件移植到移动终端上；/nStep5，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。/n

【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