人体动作分类方法、装置、终端设备以及存储介质制造方法及图纸

本发明专利技术公开一种人体动作分类方法，所述方法包括以下步骤：利用雷达向目标人发射电磁波，以获取所述目标人的目标回波；基于所述目标回波，获得目标频谱图；将所述目标频谱图输入训练获得的一维人体动作分类器进行分类，以获得所述目标人的人体动作分类结果。本发明专利技术还公开了一种人体动作分类装置、终端设备以及计算机可读存储介质。利用本发明专利技术的人体动作分类方法，提高了终端设备获得人体动作分类结果的效率，用户体验较好。

【技术实现步骤摘要】
人体动作分类方法、装置、终端设备以及存储介质
本专利技术涉及图像分析
，特别涉及一种人体动作分类方法、装置、终端设备以及计算机可读存储介质。
技术介绍
人体动作分类技术在各种应用程序中扮演重要角色，例如安全性防御和智能环境。早期的人体动作分类技术主要是利用光学相机采集人体动作的光学图像，并将采集的光学图像输入人体动作分类模型，以获得人体动作的分类结果。虽然传统光学相机具有较高的成像质量，但是，光学相机高度依赖照明条件，当初选雨雪和阴霾等恶劣天气时，光学相机拍摄的光学图像质量价差。于是，相关技术中心提出了一种人体动作分类方法，利用雷达获取人体动作的雷达信号，并基于雷达信号获得雷达频谱图，并将雷达频谱图输入人体动作分类模型，以获得人体动作分类结果。由于，雷达对照明条件没有任何要求，使得其不会受恶略天气的影响，提高了人体动作分类方法可用性。。但是，采用现有的人体动作分类方法，运算复杂度较高，运算速度较慢，使得获得人体动作分类结果的效率较低。
技术实现思路
本专利技术的主要目的是提供一种人体动作分类方法、装置、终端设备以及计算机可读存储介质，旨在解决现有技术中现有的人体动作分类方法，运算复杂度较高，运算速度较慢，使得获得人体动作分类结果的效率较低的技术问题。为实现上述目的，本专利技术提出一种人体动作分类方法，所述方法包括以下步骤：利用雷达向目标人发射电磁波，以获取所述目标人的目标回波；基于所述目标回波，获得目标频谱图；将所述目标频谱图输入训练获得的一维人体动作分类器进行分类，以获得所述目标人的人体动作分类结果。可选的，所述将所述目标频谱图输入训练获得的一维人体动作分类器进行分类，以获得所述目标人的人体动作分类结果的步骤之前，所述方法还包括：获取训练样本，所述训练样本包括训练频谱图和所述训练频谱图对应的预设分类结果；将所述训练频谱图和所述预设分类结果输入一维深度神经网络进行训练，以获得所述一维人体动作分类器。可选的，所述一维人体动作分类器包括第一一维卷积层、第二一维卷积层、第一线型整流激活层、第二线型整流激活层、第一一维平均池化层、第一一维最大池化层、第二一维最大池化层、第一注意力机制模块和第一全连接层；所述将所述目标频谱图输入训练获得的一维人体动作分类器进行分类，以获得所述目标人的人体动作分类结果的步骤包括：利用所述第一一维卷积层和所述第一线型整流激活层对所述目标频谱图进行特征提取，以获得第一特征图；利用所述第一一维平均池化层对所述第一特征图进行特征提取，以获得第二特征图，以及利用所述第一一维最大池化层对所述第一特征图进行特征提取，以获得第三特征图；利用所述第二一维卷积层和所述第二线型整流激活层对所述第三特征图进行特征提取，以获得第四特征图；对所述第二特征图、所述第三特征图和所述第四特征图进行频率维度堆叠，以获得第五特征图；将所述第五特征图输入所述第一注意力机制模块，以获得第六特征图；利用第一预设算法对所述第四特征图和所述第六特征图进行运算，以获得第七特征图；利用所述第二一维最大池化层对所述第七特征图进行特征提取，以获得第八特征图；利用所述第一全连接层对所述第八特征图进行分类，以获得所述人体动作分类结果。可选的，所述一维人体动作分类器还包括第三一维卷积层、第三线型整流激活层、第二一维平均池化层、第三一维平均池化层、第三一维最大池化层、第四一维最大池化层和第二注意力机制模块；所述利用所述第一全连接层对所述第八特征图进行分类，以获得所述人体动作分类结果的步骤之前，所述方法还包括：利用所述第二一维平均池化层对所述第一特征图进行特征提取，以获得第九特征图，并利用所述第三一维最大池化层对所述第一特征图进行特征提取，以获得第十特征图；利用所述第三一维平均池化层对所述第四特征图进行特征提取，以获得第十一特征图；利用所述第三一维卷积层和所述第三线型整流激活层对所述第八特征图进行特征提取，以获得第十二特征图；对所述第八特征图、所述第九特征图、所述第十特征图、所述第十一特征图和所述第十二特征图进行频率维度堆叠，以获得第十三特征图；将所述第十三特征图输入所述第二注意力机制模块，以获得第十四特征图；利用所述第一预设算法，对所述第十二特征图和所述第十四特征图进行运算，以获得第十五特征图；利用所述第四一维最大池化层对所述第十五特征图进行特征提取，以获得第十六特征图；所述利用所述第一全连接层对所述第八特征图进行分类，以获得所述人体动作分类结果的步骤包括：利用所述第一全连接层对所述第十六特征图进行分类，以获得所述人体动作分类结果。可选的，所述第一注意力机制模块包括第四一维卷积层、第五一维卷积层、第六一维卷积层、第四线型整流激活层、第五线型整流激活层、第六线型整流激活层、第七线型整流激活层、第八线型整流激活层、全局平均池化层、第二全连接层和第三全连接层；所述将所述第五特征图输入所述第一注意力机制模块，以获得第六特征图的步骤包括：利用所述第四一维卷积层和所述第四线型整流激活层对所述第五特征图中的时间信息进行聚合，以获得第一时间向量；利用所述第五一维卷积层和所述第五线型整流激活层对所述第一时间向量进行特征提取，以获得第二时间向量，并利用所述第六一维卷积层和所述第六线型整流激活层对所述第二时间向量进行特征提取，以获得第三时间向量；对所述第三时间向量进行频率维度扩展，以获得时间注意力图；利用所述全局平均池化层对所述第五特征图中的频率信息进行聚合，以获得第一频率向量；利用所述第二全连接层和所述第七线型整流激活层对所述第一频率向量进行处理，以获得第二频率向量，并利用所述第三全连接层和所述第八线型整流激活层对所述第二频率向量进行处理，以获得第三频率向量；对所述第三频率向量进行时间维度扩展，以获得频率注意力图；利用第二预设算法，对所述时间注意力图和所述频率注意力图进行运算，以获得所述第六特征图。可选的，所述利用第二预设算法对所述时间注意力图和所述频率注意力图进行运算，以获得所述第六特征图的步骤包括：对所述时间注意力图和所述频率注意力图进行逐元素相乘，以获得第一中间特征图；利用Sigmoid激活函数对所述第一中间特征图进行运算，以获得所述第六特征图。可选的，所述利用第一预设算法对所述第四特征图和所述第六特征图进行运算，以获得第七特征图的步骤包括：对所述第四特征图和所述第六特征图进行逐元素相乘，以获得第二中间特征图；对所述第四特征图和所述第二中间特征图进行逐元素相加，以获得所述第七特征图。此外，为实现上述目的，本专利技术还提出了一种人体动作分类装置，所述装置包括：获取模块，用于利用雷达向目标人发射电磁波，以获取所述目标人的目标回波；获得模块，用于基于所述目标回波，获得目标频谱图；分类模块，用于将所述目标频谱图输入训练获得的一维人体动作分类本文档来自技高网...

【技术保护点】
1.一种人体动作分类方法，其特征在于，所述方法包括以下步骤：/n利用雷达向目标人发射电磁波，以获取所述目标人的目标回波；/n基于所述目标回波，获得目标频谱图；/n将所述目标频谱图输入训练获得的一维人体动作分类器进行分类，以获得所述目标人的人体动作分类结果。/n

【技术特征摘要】
1.一种人体动作分类方法，其特征在于，所述方法包括以下步骤：
利用雷达向目标人发射电磁波，以获取所述目标人的目标回波；
基于所述目标回波，获得目标频谱图；
将所述目标频谱图输入训练获得的一维人体动作分类器进行分类，以获得所述目标人的人体动作分类结果。


2.如权利要求1所述的方法，其特征在于，所述将所述目标频谱图输入训练获得的一维人体动作分类器进行分类，以获得所述目标人的人体动作分类结果的步骤之前，所述方法还包括：
获取训练样本，所述训练样本包括训练频谱图和所述训练频谱图对应的预设分类结果；
将所述训练频谱图和所述预设分类结果输入一维深度神经网络进行训练，以获得所述一维人体动作分类器。


3.如权利要求2所述的方法，其特征在于，所述一维人体动作分类器包括第一一维卷积层、第二一维卷积层、第一线型整流激活层、第二线型整流激活层、第一一维平均池化层、第一一维最大池化层、第二一维最大池化层、第一注意力机制模块和第一全连接层；所述将所述目标频谱图输入训练获得的一维人体动作分类器进行分类，以获得所述目标人的人体动作分类结果的步骤包括：
利用所述第一一维卷积层和所述第一线型整流激活层对所述目标频谱图进行特征提取，以获得第一特征图；
利用所述第一一维平均池化层对所述第一特征图进行特征提取，以获得第二特征图，以及利用所述第一一维最大池化层对所述第一特征图进行特征提取，以获得第三特征图；
利用所述第二一维卷积层和所述第二线型整流激活层对所述第三特征图进行特征提取，以获得第四特征图；
对所述第二特征图、所述第三特征图和所述第四特征图进行频率维度堆叠，以获得第五特征图；
将所述第五特征图输入所述第一注意力机制模块，以获得第六特征图；
利用第一预设算法对所述第四特征图和所述第六特征图进行运算，以获得第七特征图；
利用所述第二一维最大池化层对所述第七特征图进行特征提取，以获得第八特征图；
利用所述第一全连接层对所述第八特征图进行分类，以获得所述人体动作分类结果。


4.如权利要求3所述的方法，其特征在于，所述一维人体动作分类器还包括第三一维卷积层、第三线型整流激活层、第二一维平均池化层、第三一维平均池化层、第三一维最大池化层、第四一维最大池化层和第二注意力机制模块；所述利用所述第一全连接层对所述第八特征图进行分类，以获得所述人体动作分类结果的步骤之前，所述方法还包括：
利用所述第二一维平均池化层对所述第一特征图进行特征提取，以获得第九特征图，并利用所述第三一维最大池化层对所述第一特征图进行特征提取，以获得第十特征图；
利用所述第三一维平均池化层对所述第四特征图进行特征提取，以获得第十一特征图；
利用所述第三一维卷积层和所述第三线型整流激活层对所述第八特征图进行特征提取，以获得第十二特征图；
对所述第八特征图、所述第九特征图、所述第十特征图、所述第十一特征图和所述第十二特征图进行频率维度堆叠，以获得第十三特征图；
将所述第十三特征图输入所述第二注意力机制模块，以获得第十四特征图；
利用所述第一预设算法，对所述第十二特征图和所述第十四特征图进行运算，以获得第十五特征图；
利用所述第四一维最大池化层对所述第十五特征图...

【专利技术属性】
技术研发人员：叶文彬，赖国基，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44