人体动作的检测方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种人体动作的检测方法、装置及计算机可读存储介质，所述人体动作的检测方法包括以下步骤：获取人体动作对应的信道状态信息以及预设网络模型；根据所述信道状态信息生成输入数据，其中，所述输入数据包括训练集和测试集；采用所述训练集训练所述预设网络模型；对训练后的所述预设网络模型低秩分解得到目标网络模型，以使所述目标网络模型根据所述信道状态信息确定人体动作。本发明专利技术能够解决神经网络对不同人或不同环境下的人体动作的识别准确率差异性较大的问题。识别准确率差异性较大的问题。识别准确率差异性较大的问题。

【技术实现步骤摘要】
人体动作的检测方法、装置及计算机可读存储介质


[0001]本专利技术涉及人工智能
，特别涉及一种人体动作的检测方法、装置及计算机可读存储介质。

技术介绍

[0002]当前，基于提取WiFi的信道状态信息(CSI，Channel State Information)而做动作识别的方法得到了广泛应用，当人做动作时，无线电波的传输会被干扰，WiFi信号会随着人体活动改变而产生多普勒频移，从而使WiFi信道中的CSI值发生改变，由于CSI数据矩阵包含了同一时刻多个子载波的幅度和相位信息，人体的各类活动所造成的数据变化有较高的差异性和可辨识度，因此，可以通过提取WiFi信号的CSI数据的幅度和相位特征，采用深度学习神经网络的方法识别人体动作。但是，该人体动作的检测方法中神经网络对不同人或不同环境下的人体动作数据的识别准确率会有所差异。

技术实现思路

[0003]本专利技术的主要目的是提供一种人体动作的检测方法、装置及计算机可读存储介质，旨在解决神经网络对不同人或不同环境下人体动作的识别准确率之间差异性较大的问题。
[0004]为实现上述目的，本专利技术提供了一种人体动作的检测方法，所述人体动作的的检测方法包括：
[0005]获取人体动作对应的信道状态信息以及预设网络模型；
[0006]根据所述信道状态信息生成输入数据，其中，所述输入数据包括训练集和测试集；
[0007]采用所述训练集训练所述预设网络模型；
[0008]对训练后的所述预设网络模型低秩分解得到目标网络模型，以使所述目标网络模型根据所述信道状态信息确定人体动作。
[0009]可选地，所述采用所述训练集训练所述预设网络模型，并对训练后的所述预设网络模型低秩分解得到目标网络模型的步骤之后包括：
[0010]将所述测试集输入所述目标网络模型得到所述目标网络模型的人体动作识别的准确率。
[0011]可选地，所述对训练后的所述预设网络模型低秩分解得到目标网络模型的步骤包括：
[0012]确定训练后的所述预设网络模型的目标网络层，其中，所述目标网络层包括训练后的所述预设网络模型的卷积层和全连接层中的至少一个；
[0013]对所述目标网络层低秩分解得到第一网络层；
[0014]采用所述第一网络层替换训练后的所述预设网络模型中的所述目标网络层得到目标网络模型。
[0015]可选地，所述对所述目标网络层低秩分解得到第一网络层的步骤包括：
[0016]获取所述目标网络层的权重矩阵；
[0017]确定低秩分解的秩；
[0018]根据所述低秩分解的秩和所述权重矩阵生成第一矩阵；
[0019]采用所述第一矩阵替换所述权重矩阵得到所述第一网络层。
[0020]可选地，所述根据所述第一矩阵确定所述第一网络层的步骤包括；
[0021]确定所述第一矩阵需要增加的秩；
[0022]根据所述第一矩阵需要增加的秩和所述第一矩阵生成第二矩阵；
[0023]采用所述第一矩阵和所述第二矩阵替换所述权重矩阵得到所述第一网络层。
[0024]可选地，所述根据所述信道状态信息生成输入数据的步骤包括：
[0025]获取所述信道状态信息的幅值和相位；
[0026]根据所述幅值和相位生成所述人体动作对应的灰度图像；
[0027]根据所述灰度图像生成所述输入数据。
[0028]可选地，所述根据所述幅值和相位生成所述人体动作对应的灰度图像的步骤包括：
[0029]对所述相位进行相位补偿；
[0030]对所述幅值和补偿后的所述相位进行归一化处理；
[0031]根据归一化处理后的所述幅值和所述相位生成所述人体动作对应的灰度图像。
[0032]可选地，所述根据所述灰度图像生成输入数据的步骤包括：
[0033]采用滤波器对所述灰度图像进行特征提取，以得到特征值；
[0034]根据所述特征值生成输入数据。
[0035]此外，为实现上述目的，本专利技术还提供了一种人体动作的检测装置，所述人体动作的检测装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人体动作的检测程序，所述人体动作的检测程序被所述处理器执行时实现如上所述的人体动作的检测方法的步骤。
[0036]此外，为实现上述目的，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有人体动作的检测程序，所述人体动作的检测程序被处理器执行时实现如上所述的人体动作的检测方法的步骤。
[0037]本专利技术提出了一种人体动作的检测方法、装置及计算机可读存储介质，通过获取人体动作对应的信道状态信息以及预设网络模型，根据信道状态信息生成输入数据，其中，输入数据包括训练集和测试集，采用训练集训练预设网络模型，并对训练后的预设网络模型低秩分解得到目标网络模型，以使目标网络模型根据信道状态信息确定人体动作。这样，本方案对训练好的网络模型进行低秩分解，优化了网络模型的结构，提高了网络模型对不同人或不同环境下人体动作的识别准确率，缩小了不同人或不同环境下人体动作的识别准确率之间的差异，从而解决神经网络对不同人或不同环境下人体动作的识别准确率之间差异性较大的问题。
附图说明
[0038]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
[0039]图1为本专利技术实施例方案涉及的人体动作的检测装置的硬件架构示意图；
[0040]图2为本专利技术人体动作的检测方法实施例一的流程示意图；
[0041]图3为本专利技术人体动作的检测方法实施例二的流程示意图；
[0042]图4为本专利技术人体动作的检测方法实施例三的流程示意图；
[0043]图5为本专利技术人体动作的检测方法实施例四的流程示意图；
[0044]图6为本专利技术人体动作的检测方法实施例五的流程示意图；
[0045]图7为本专利技术实施例方案涉及的卷积神经网络模型示意图；
[0046]图8为本专利技术实施例方案涉及的房间环境示意图；
[0047]图9为本专利技术实施例方案涉及的不同人或者不同环境下人体动作的数据量示意图；
[0048]图10为本专利技术实施例方案涉及的不同人或者不同环境下训练集和测试集的数据量示意图；
[0049]图11为本专利技术实施例方案涉及的人体动作识别准确率的结果示意图一；
[0050]图12为本专利技术实施例方案涉及的人体动作识别准确率的结果示意图二；
[0051]图13为本专利技术实施例方案涉及的目标网络模型示意图一；
[0052]图14为本专利技术实施例方案涉及的人体动作识别准确率的结果示意图三；
[0053]图15为本专利技术实施例方案涉及的目标网络模型示意图二；
[0054]图16为本专利技术实施例方案涉及的人体动作识别准确率的结果示意图四。
具体实施方式
[0055]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人体动作的检测方法，其特征在于，所述人体动作的检测方法包括：获取人体动作对应的信道状态信息以及预设网络模型；根据所述信道状态信息生成输入数据，其中，所述输入数据包括训练集和测试集；采用所述训练集训练所述预设网络模型；对训练后的所述预设网络模型低秩分解得到目标网络模型，以使所述目标网络模型根据所述信道状态信息确定人体动作。2.如权利要求1所述的人体动作的检测方法，其特征在于，所述采用所述训练集训练所述预设网络模型，并对训练后的所述预设网络模型低秩分解得到目标网络模型的步骤之后包括：将所述测试集输入所述目标网络模型得到所述目标网络模型的人体动作识别的准确率。3.如权利要求1所述的人体动作的检测方法，其特征在于，所述对训练后的所述预设网络模型低秩分解得到目标网络模型的步骤包括：确定训练后的所述预设网络模型的目标网络层，其中，所述目标网络层包括训练后的所述预设网络模型的卷积层和全连接层中的至少一个；对所述目标网络层低秩分解得到第一网络层；采用所述第一网络层替换训练后的所述预设网络模型中的所述目标网络层得到目标网络模型。4.如权利要求3所述的人体动作的检测方法，其特征在于，所述对所述目标网络层低秩分解得到第一网络层的步骤包括：获取所述目标网络层的权重矩阵；确定低秩分解的秩；根据所述低秩分解的秩和所述权重矩阵生成第一矩阵；采用所述第一矩阵替换所述权重矩阵得到所述第一网络层。5.如权利要求4所述的人体动作的检测方法，其特征在于，所述采用所述第一矩阵替换所述权重矩阵得到所述...

【专利技术属性】
技术研发人员：孙维泽，周宁洁，黄磊，包为民，张沛昌，赵博，
申请(专利权)人：深圳大学，
类型：发明
国别省市：