热成像人体动作识别方法及系统技术方案

本发明专利技术涉及一种热成像人体动作识别方法及系统，方法包括：通过红外传感器采集人体动作的热成像视频数据；对人体动作的热成像视频数据进行数据处理，得到处理后的数据；利用处理后的数据对预设的3D卷积神经网络进行训练，得到训练好的神经网络模型；采用训练好的神经网络模型对待识别人体动作进行识别，得到识别结果。本发明专利技术的热成像人体动作识别方法及系统，通过红外传感器获取人体动作的热成像视频数据，在黑暗环境也能够识别人体动作，且不会侵犯用户隐私；采用改进的3D卷积神经网络，可以降低模型大小并提升模型精度。以降低模型大小并提升模型精度。以降低模型大小并提升模型精度。

【技术实现步骤摘要】
热成像人体动作识别方法及系统


[0001]本专利技术涉及计算机视觉领域，更具体地涉及一种热成像人体动作识别方法及系统。

技术介绍

[0002]作为计算机视觉领域的研究热点和难点，人体动作识别受到国内外研究人员的广泛关注。
[0003]随着深度学习技术的快速发展，一些人体动作识别方法也被提出，其中一种是利用热释电红外传感器采集人体运动时散发的红外热辐射信号对人体动作进行识别，另外一种是利用3D卷积神经网络学习时空特征的方法，并将其应用到人体动作识别中。
[0004]但是，在第一种方法中，热电红外传感器的物理特性决定了其只能用于检测运动人体目标，而不能检测静止目标，无法对目标状态实时显示；在第二种方法中，3D卷积神经网络的输入维度为112像素*112像素*16帧，其能够在动作识别任务中取得更好的效果，但是，由于卷积层末端的全连接层的存在，使得网络参数量巨大，得到的模型往往对计算机硬件要求较高；此外，上述两种方法均是采用可见光对人体动作进行成像，无法在黑暗环境进行人体动作识别，且由于人们对隐私的保护越来越重视，可见光成像方式很难被接受本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种热成像人体动作识别方法，其特征在于，包括步骤：S100：通过红外传感器采集人体动作的热成像视频数据；S200：对人体动作的热成像视频数据进行数据处理，得到处理后的数据；S300：利用处理后的数据对预设的3D卷积神经网络进行训练，得到训练好的神经网络模型；S400：采用训练好的神经网络模型对待识别人体动作进行识别，得到识别结果。2.根据权利要求1所述的热成像人体动作识别方法，其特征在于，步骤S100进一步包括：S110：根据红外传感器的视场角布置红外传感器，使人体活动区域位于红外传感器的视场角内；S120：使红外传感器以预设的帧率对人体活动区域内的人体动作进行连续帧采集，得到人体动作的原始数据；S130：对人体动作的原始数据进行数据降噪，得到降噪后的数据；S140：将降噪后的数据映射为热成像图片，并根据连续帧的热成像图片得到人体动作的热成像视频。3.根据权利要求2所述的热成像人体动作识别方法，其特征在于，所述人体动作包括站立、坐下、摔倒、躺下、弯腰、蹲下和无活动七种类别。4.根据权利要求1所述的热成像人体动作识别方法，其特征在于，步骤S200进一步包括：S210：对人体动作的热成像视频数据按预设时间间隔进行切分，得到多个视频片段；S220：为每个视频片段标记人体动作的名称，所有视频片段及其对应的名称形成帧数据集；S230：将帧数据集按比例随机划分为训练集、测试集和验证集，并将划分好的训练集、测试集和验证集作为处理后的数据。5.根据权利要求1所述的热成像人体动作识别方法，其特征在于，预设的3D卷积神经网络包括依次连接的第一卷积层、第二卷积层、第一批量归一化层、第一池化层、第三卷积层、第四卷积层、第二批量归一化层、第二池化层、第五卷积层、第六卷积层、第七卷积层、第三批量归一化层、第三池化层、第八卷积层、第九卷积层、第十卷积层、第...

【专利技术属性】
技术研发人员：杨昆鹏，赵芝芸，杨文，梁洪喆，刘振，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：