本公开提供了一种动作识别处理方法，包括：从获取的惯性传感信号数据中识别出动作特征信息；获取动作特征信息中的分周期特征信息，基于分周期特征信息获取动作特征信息中的分周期数量；以及，至少基于动作特征信息中的分周期数量获取动作特征信息中的特征动作的动作周期数量。本公开还提供了一种动作识别处理装置、电子设备以及可读存储介质。电子设备以及可读存储介质。电子设备以及可读存储介质。
【技术实现步骤摘要】
动作识别处理方法、装置、电子设备及存储介质
[0001]本公开涉及一种动作识别处理方法、装置、电子设备及存储介质。
技术介绍
[0002]当前用于六轴惯性传感信号的高强度运动状态识别和周期计数方法通常是基于两个独立的模型构建的，包括用于高强度运动状态识别的模式识别方法和用于运动次数计数的周期判断方法。
[0003]这种常规的高强度运动状态识别和周期计数方法不足在于：两个模型之间相互独立，相互之间没有反馈，一是导致模型的自适应性不强，从而在使用相同模型的情况下，通常独立的模型更容易出现运动状态误识别和周期误计数的情况；二是要到达相近的效果通常需要更复杂的算法，从而使得模型膨胀，导致运算量更大；三是模型相互独立时，有一部分相同的参数难以实现共享，从而需要更大的存储空间。
技术实现思路
[0004]为了解决上述技术问题中的至少一个，本公开提供了一种动作识别处理方法、装置、电子设备及存储介质。
[0005]根据本公开的一个方面，提供一种动作识别处理方法，包括：
[0006]S104、从获取的惯性传感信号数据中识别出动作特征信息；
[0007]S106、获取所述动作特征信息中的分周期特征信息，基于所述分周期特征信息获取所述动作特征信息中的分周期数量；
[0008]S108、至少基于所述动作特征信息中的分周期数量获取所述动作特征信息中的特征动作的动作周期数量。
[0009]根据本公开的至少一个实施方式的动作识别处理方法，步骤S104中，从所述惯性传感信号数据中识别出动作特征信息，包括：
[0010]基于当前处理窗口对所述惯性传感信号数据中的当前识别区域的动作特征信息进行识别；
[0011]将所述当前处理窗口移动至当前识别区域的下一识别区域，以对下一识别区域的动作特征信息进行识别；
[0012]基于缓冲覆盖窗口对已进行动作特征信息识别的识别区域进行覆盖。
[0013]根据本公开的至少一个实施方式的动作识别处理方法，步骤S106中，还获取所述动作特征信息中的特征动作的特征参数；步骤S108中，基于所述动作特征信息中的分周期数量以及所述特征动作的特征参数获取所述动作特征信息中的特征动作的动作周期数量。
[0014]根据本公开的至少一个实施方式的动作识别处理方法，所述特征动作的特征参数包括所述特征动作的动作周期长度。
[0015]根据本公开的至少一个实施方式的动作识别处理方法，基于所述特征动作的动作周期长度设置/调整所述当前处理窗口以及所述缓冲覆盖窗口的尺寸特征。
[0016]根据本公开的至少一个实施方式的动作识别处理方法，所述当前处理窗口以及所述缓冲覆盖窗口均至少能够容纳一个动作周期长度。
[0017]根据本公开的至少一个实施方式的动作识别处理方法，步骤S104中，从所述惯性传感信号数据中识别出动作特征信息，包括：
[0018]基于经过训练的深度学习模型从所述惯性传感信号数据中识别出特征动作信号；
[0019]所述深度学习模型包括第一卷积神经网络模块、池化层模块、激活层模块、空时融合的残差结构模块以及全连接层模块；
[0020]其中，所述惯性传感信号数据以预设长度输入至所述第一卷积神经网络模块，所述第一卷积神经网络模块的输出作为所述池化层的输入，所述池化层的输出作为所述激活层的输入，所述激活层的输出作为所述空时融合的残差结构模块的输入，所述空时融合的残差结构模块的输出作为所述全连接层的输入，所述全连接层输出特征动作信号的识别结果。
[0021]根据本公开的至少一个实施方式的动作识别处理方法，所述空时融合的残差结构模块包括第二卷积神经网络模块、GRU模块组以及融合模块；
[0022]所述激活层的输出作为所述第二卷积神经网络模块的输入，所述第二卷积神经网络模块的输出作为所述GRU模块组的输入以及所述融合模块的输入；
[0023]所述融合模块的输出作为所述全连接层的输入。
[0024]根据本公开的至少一个实施方式的动作识别处理方法，所述惯性传感信号数据为基于惯性传感器装置获取的动作对象的惯性传感信号数据。
[0025]根据本公开的另一个方面，提供一种动作识别处理装置，包括：
[0026]特征动作识别模块，所述特征动作识别模块从惯性传感信号数据中识别出动作特征信息；
[0027]分周期特征信息获取模块，所述分周期特征信息获取模块获取所述动作特征信息中的分周期特征信息，基于所述分周期特征信息获取所述动作特征信息中的分周期数量；
[0028]动作周期数量获取模块，所述动作周期数量获取模块至少基于所述动作特征信息中的分周期数量获取所述动作特征信息中的特征动作的动作周期数量。
[0029]根据本公开的至少一个实施方式的动作识别处理装置，还包括：惯性传感器，所述惯性传感器获取动作对象的惯性传感信号数据。
[0030]根据本公开的又一个方面，提供一种电子设备，包括：存储器，所述存储器存储执行指令；以及，处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行上述任一项所述的方法。
[0031]根据本公开的再一个方面，提供一种可读存储介质，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时用于实现上述任一项所述的方法。
附图说明
[0032]附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
[0033]图1是本公开的一个实施方式的动作识别处理方法的流程示意图。
[0034]图2示出了本公开的一个实施方式的动作识别处理方法中的基于滑动窗口的识别动作特征信息的流程。
[0035]图3和图4分别为六轴IMU信号数据的获取示意图和信号波形示意图。
[0036]图5是本公开的一个实施方式的基于深度学习模型的获取动作特征信息中的分周期数量的示意图。
[0037]图6是本公开的一个实施方式的空时融合的残差结构模块的结构示意框图。
[0038]图7示出了本公开的一个实施方式的动作识别处理方法的基于滑动窗口的处理过程图。
[0039]图8为本公开的一个实施方式的采用处理系统的硬件实现方式的动作识别处理装置的结构示意框图。
[0040]附图标记说明
[0041]1000 动作识别装置
[0042]1002 惯性传感器
[0043]1004 特征动作识别模块
[0044]1006 分周期特征信息获取模块
[0045]1008 动作周期数量获取模块
[0046]1100 总线
[0047]1200 处理器
[0048]1300 存储器
[0049]1400 其他电路。
具体实施方式
[0050]下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种动作识别处理方法，其特征在于，包括：S104、从获取的惯性传感信号数据中识别出动作特征信息；S106、获取所述动作特征信息中的分周期特征信息，基于所述分周期特征信息获取所述动作特征信息中的分周期数量；以及S108、至少基于所述动作特征信息中的分周期数量获取所述动作特征信息中的特征动作的动作周期数量。2.根据权利要求1所述的动作识别处理方法，其特征在于，步骤S104中，从所述惯性传感信号数据中识别出动作特征信息，包括：基于当前处理窗口对所述惯性传感信号数据中的当前识别区域的动作特征信息进行识别；将所述当前处理窗口移动至当前识别区域的下一识别区域，以对下一识别区域的动作特征信息进行识别；以及基于缓冲覆盖窗口对已进行动作特征信息识别的识别区域进行覆盖。3.根据权利要求2所述的动作识别处理方法，其特征在于，步骤S106中，还获取所述动作特征信息中的特征动作的特征参数；步骤S108中，基于所述动作特征信息中的分周期数量以及所述特征动作的特征参数获取所述动作特征信息中的特征动作的动作周期数量。4.根据权利要求3所述的动作识别处理方法，其特征在于，所述特征动作的特征参数包括所述特征动作的动作周期长度。5.根据权利要求4所述的动作识别处理方法，其特征在于，基于所述特征动作的动作周期长度设置/调整所述当前处理窗口以及所述缓冲覆盖窗口的尺寸特征。6.根据权利要求5所述的动作识别处理方法，其特征在于，所述当前处理窗口以及所述缓冲覆盖窗口均至少能够容纳一个动作周期长度。7.根据权利要求1所述的动作识别处理方法，其特征在于，步骤S104中，从所述惯性传感信号数据中识别出动作特征信息，包括：基于经过训练的深度学习模型从所述惯性传感信号数据中识别出特征动作信号；所述深度学习模型包括第一卷积神经网络模块、池化层模块、...
【专利技术属性】
技术研发人员：李小勇，马群立，张博，
申请(专利权)人：上海墨百意信息科技有限公司，
类型：发明
国别省市：
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。