【技术实现步骤摘要】
鞋类识别方法、装置、系统及计算机存储介质、电子设备
本申请涉及计算机技术,具体地,涉及一种鞋类识别方法、装置、系统及计算机存储介质、电子设备。
技术介绍
随着可穿戴技术的飞速发展,内置有高精度运动传感器的数十亿智能终端,包括:智能手机和可穿戴设备,已经成为人们生活最密不可分的工具和最忠实的“记录者”。利用这些运动传感器通常研究的是人自身的、内在的特征,比如动作、手势、身份等的识别,很少注意外在因素同样可以影响步态。现有技术中存在的问题:基于步态的生物识别很大程度受到用户所穿鞋类的影响。
技术实现思路
本申请实施例中提供了一种鞋类识别方法、装置、系统及计算机存储介质、电子设备,以解决上述技术问题。根据本申请实施例的第一个方面,提供了一种鞋类识别方法,包括如下步骤:获取识别对象的步态数据;根据所述步态数据以及预先建立的深度注意力网络Sensing-HH,识别所述识别对象的鞋子种类。根据本申请实施例的第二个方面,提供了一种鞋类识别装置,包括:数据获取模块,被配置为获取识别对象的步态数据;鞋类识别模块,被配置为根据所述步态数据以及预先建立的深度注意力网络Sensing-HH,识别所述识别对象的鞋子种类。根据本申请实施例的第三个方面,提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述鞋类识别方法的步骤。根据本申请实施例的第四个方面,提供了一种电子设备,包括存储器、以及一个或多个处理器 ...
【技术保护点】
1.一种鞋类识别方法,其特征在于,包括:/n获取识别对象的步态数据;/n根据所述步态数据以及预先建立的深度注意力网络Sensing-HH,识别所述识别对象的鞋子种类。/n
【技术特征摘要】
1.一种鞋类识别方法,其特征在于,包括:
获取识别对象的步态数据;
根据所述步态数据以及预先建立的深度注意力网络Sensing-HH,识别所述识别对象的鞋子种类。
2.根据权利要求1所述的方法,其特征在于,所述获取识别对象的步态数据,包括:
利用所述识别对象携带的运动传感器获取识别对象的步态数据;
所述运动传感器包括三轴加速度计和三轴陀螺仪,所述三轴加速度计被配置为测量X、Y、Z方向上的加速度和重力值,所述三轴陀螺仪被配置为获取空间旋转的角速度。
3.根据权利要求2所述的方法,其特征在于,所述识别对象携带的运动传感器被握在所述识别对象的手上、或者束在所述识别对象的腰部、或者放在所述识别对象的包袋中。
4.根据权利要求1所述的方法,其特征在于,所述根据所述步态数据以及预先建立的深度注意力网络Sensing-HH,识别所述识别对象的鞋子种类,包括:
将步态数据中的加速度数据传输至预先建立的深度注意力网络Sensing-HH中的第一深度注意力网络,得到加速度特征;将步态数据中的角速度数据传输至预先建立的深度注意力网络Sensing-HH中的第二深度注意力网络,得到角速度特征;
将所述加速度特征和角速度特征输入至预先建立的深度注意力网络Sensing-HH中的分类层,得到所述识别对象的鞋子种类。
5.根据权利要求4所述的方法,其特征在于,在将步态数据传输至深度注意力网络之前,进一步包括:
将所述步态数据转换为等采样的时间序列;
对所述等采样的时间序列按照预先设定的时间窗口和交叠进行滑动窗口划分,将所述等采样的时间序列分段为各个子序列。
6.根据权利要求5所述的方法,其特征在于,所述将所述传感器数据转换为等采样的时间序列,包括:
对步态数据采用三次样条方法插值,将步态数据的原始信号序列转换为等采样的时间序列。
7.根据权利要求5所述的方法,其特征在于,在将步态数据传输至深度注意力网络之前,进一步包括:
基于经验模态分解和小波阈值相结合,对步态数据中的重力分量进行过滤。
8.根据权利要求5所述的方法,其特征在于,在所述将所述等采样的时间序列分段为各个子序列之后,进一步包括:
对子序列中的每个值采用特征中所有值的均值-标准差进行缩放。
9.根据权利要求4所述的方法,其特征在于,所述第一深度注意力网络和/或所述第二深度注意力网络,包括:
深度混合连接网络,以及,被配置为将空间注意力转移至所述深度混合连接网络的注意力网络。
10.根据权利要求9所述的方法,其特征在于,所述深度混合连接网络包括卷积层CNN、加权池化层、双向长短期记忆层BiLSTM和分类输出层,
所述卷积层被配置为从步态数据中提取空间特征;
所述加权池化层被配置为根据所述注意力网络的输出对所述空间特征进行加权池化;
所述双向长短期记忆层被配置为学习所述空间特征中显着特征的双向长期依赖性;
所述分类输出层被配置为输出特征图。
11.根据权利要求10所述的方法,其特征在于,所述从步态数据中提取空间特征,包括:
上一层的特征图与预定个数的卷积内核进行卷积;
根据卷积运算的输出以及预先学习得到的偏差,并利用激活函数进行处理,得到下一层的特征图
其中,X和Y分别是在空间和时间上运行的2D卷积内核的大小,M′是卷积层(l-1)中特征图的数量,为局部滤波器权重张量,为偏差。
12.根据权利要求10所述的方法,其特征在于,所述学习所述空间特征中显着特征的双向长期依赖性,包括:
将相同的数据分别输入正向LSTM和反向LSTM;
将两个隐藏状态串联起来,用来计算Bi-LSTMyt的最终输出为:
ht=LSTM(xt,ht-1)
其中,是向前LSTM隐藏状态,ht是在每个时间步t同时向后LSTM隐藏状态,LSTM(*)表示LSTM操作,和Wh分别表示前向LSTM和后向LSTM的权重,b是在输出层的偏差。
13.根据权利要求9所述的方法,其特征在于,所述注意力网络,包括:卷积层、全局平均池化层和分类输出层;
所述卷积层被配置为从步态数据中提取空间特征;
所述全局平均池化层被配置为根据所述空间特征生成类激活图;全局平均池输出最后一个卷积层每个单元的特征图的空间平均值;
所述分类输出层...
【专利技术属性】
技术研发人员:姚昱旻,文雅,温岚,
申请(专利权)人:长沙昱旻信息科技有限公司,
类型:发明
国别省市:湖南;43
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。