一种光纤传感行人识别方法、装置和存储介质制造方法及图纸

本发明专利技术涉及一种光纤传感行人识别方法、装置和存储介质，方法包括以下步骤：S1、获取行人经过时的传感数据，对传感数据进行解调，得到相位数据；S2、对相位数据进行切面降采样；S3、对切面降采样后的数据通过矩形滑窗进行切割，得到时间序列信号；S4、将时间序列信号进行尺度划分，得到第一高尺度数据、第一中尺度数据和第一低尺度数据；S5、将划分得到的数据输入训练好的阶梯形的稠密卷积网络结构中，得到分类识别结果。与现有技术相比，本发明专利技术基于多尺度和注意力机制，实现高精度的行人动作识别。实现高精度的行人动作识别。实现高精度的行人动作识别。

【技术实现步骤摘要】
一种光纤传感行人识别方法、装置和存储介质


[0001]本专利技术涉及光纤传感信号识别领域，尤其是涉及一种光纤传感行人识别方法、装置和存储介质。

技术介绍

[0002]行人动作识别在检测非法入侵者和智慧城市应用方面具有重要意义，尤其是在国界、管道、铁路等大型基础设施的安全监控中。目前，大规模关键基础设施采用红外波长摄像头或可见光等安全技术进行监控，存在隐私采集、信息伪装、成本高等问题。近年来，基于振动信号的分布式声学传感器(DAS)在地质构造监测和人体运动识别等领域得到广泛应用。DAS系统具有测量范围广、测量距离远、分辨率高、环境抗干扰能力强、应用成本低等明显优势。在基于DAS系统的人体运动识别中使用深度学习方法仍然存在一些挑战：1)DAS系统使用的光纤信号通常包含大量噪声和相移，这会使深度学习算法难以准确识别人体运动。2)目前，大多数方法仅依赖于固定尺度特征，这使得它们难以捕获DAS信号的动态时间模式。3)不同个体的动作可能由于体型、年龄等因素而相似，使得深度学习算法难以区分它们。
[0003]在光纤传感器的算法应用中，近年来有方法通过卷积神经网络实现多通道光纤传感行人事件识别，实现高效识别任务。通过使用多层感知器模型对光纤传感的人体运动信号进行分类和识别，也有方法使用长短期记忆网络模型预测人体步态，在步态周期中取得了模范识别效果。或是使用全卷积网络模型对老年人行走或爬楼梯的状态进行监测和识别。然而，现有方法均采用固定的单尺度数据输入，没有考虑复杂行人动作场景数据的多尺度问题，难以在复杂场景中更好地识别人体运动。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供的一种光纤传感行人识别方法、装置和存储介质，本专利技术基于多尺度和注意力机制，实现高精度的行人动作识别。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一方面，本专利技术提出一种光纤传感行人识别方法，包括以下步骤：
[0007]S1、获取行人经过时的传感数据，对传感数据进行解调，得到相位数据；
[0008]S2、对相位数据进行切面降采样；
[0009]S3、对切面降采样后的数据通过矩形滑窗进行切割，得到时间序列信号；
[0010]S4、将时间序列信号进行尺度划分，得到第一高尺度数据、第一中尺度数据和第一低尺度数据；
[0011]S5、将划分得到的数据输入训练好的阶梯形的稠密卷积网络结构中，得到分类识别结果，所述阶梯形的稠密卷积网络结构包括三个相同的稠密模块和两个空间注意力层，稠密模块包括一级稠密模块、二级稠密模块和三级稠密模块，稠密卷积网络结构对输入的
数据的特征进行放大。
[0012]进一步地，阶梯形的稠密卷积网络结构基于划分得到的数据进行训练，阶梯形的稠密卷积网络结构还包括空间注意力层和过渡层，训练的具体过程为：
[0013]A1、将划分得到的数据输入一级稠密模块，输出第一特征数据，将第一特征数据输入第一空间注意力层，得到空间差异放大的第一传感数据特征；
[0014]A2、将空间差异放大的第一传感数据特征进行独立合并操作，再将独立合并操作后的数据输入第一过渡层进行数据转换和压缩，得到第二高尺度数据和第二中尺度数据；
[0015]A3、将第二高尺度数据和第二中尺度数据输入二级稠密模块，再将二级稠密模块的输出的第二特征数据输入第二空间注意力层，得到空间差异放大的第二传感数据特征，对空间差异放大的第二传感数据特征进行独立合并操作，并将独立合并操作后得到的数据输入第二过渡层进行数据转换和压缩，得到第三高尺度数据；
[0016]A4、将第三高尺度数据输入三级稠密模块，输出第三特征数据，将第三特征数据输入全局平均池化层和Softmax层，输出分类结果；
[0017]A5、根据分类结果计算交叉熵损失函数；
[0018]A6、基于损失函数和Adam优化器对密卷积网络结构进行训练，重复A1～A6直至训练完成。
[0019]进一步地，阶梯形的稠密卷积网络结构的稠密模块由多个依次连接的瓶颈模块组成，每个瓶颈模块的组成为依次连接的第一归一化层、第一激活函数、1
×
1的第一卷积、第一正则化层、第二归一化层、第二激活函数、3
×
3的第二卷积和第二正则化层，数据输入稠密模块后，经过依次连接的瓶颈模块，得到特征数据。
[0020]进一步地，空间注意力层对特征数据进行以下操作：
[0021]进行基于特征的全局最大池化和全局平均池化操作，分别得到两个操作结果，将两个操作结果在通道维度进行拼接，再经过一个卷积操作降维至单通道，然后使用Sigmoid函数生成空间注意力特征，将空间注意力特征与输入空间注意力层的特征数据相乘，生成传感数据特征。
[0022]进一步地，过渡层的组成为依次连接的第三归一化层、第三激活函数、1
×
1的第三卷积、内核大小为2
×
2的平均池化层。
[0023]进一步地，通过矩形滑窗，将切面降采样后的数据基于滑窗宽度进行切割，得到长度为滑窗宽度的时间序列信号，所述滑窗宽度为512，滑窗之间的重叠率设置为75％。
[0024]进一步地，将时间序列信号进行尺度划分后，得到的第一高尺度数据的长度为512，第一中尺度数据的长度为256，第一低尺度数据的长度为128。
[0025]进一步地，所述相位数据包含传感光纤上相互间距为距离分辨率的多个位置处的背向瑞利散射信号的相位延迟变化信号，相位数据为大小为采样点数
×
位置数量的矩阵。
[0026]另一方面，本专利技术提出一种光纤传感行人识别装置，装置包括传感数据采集模块、降采样模块、数据切割模块、尺度划分模块和稠密卷积网络模块，
[0027]其中，传感数据采集模块用于获取行人经过时的传感数据，对传感数据进行解调，得到相位数据；
[0028]降采样模块用于对相位数据进行切面降采样；
[0029]数据切割模块用于对切面降采样后的数据通过矩形滑窗进行切割，得到时间序列
信号；
[0030]尺度划分模块用于将时间序列信号进行尺度划分，得到第一高尺度数据、第一中尺度数据和第一低尺度数据；
[0031]稠密卷积网络模块用于将划分得到的数据输入训练好的阶梯形的稠密卷积网络结构中，得到分类识别结果，所述阶梯形的稠密卷积网络结构包括三个相同的稠密模块和两个空间注意力层，稠密模块包括一级稠密模块、二级稠密模块和三级稠密模块，稠密卷积网络结构对输入的数据的特征进行放大。
[0032]进一步地，阶梯形的稠密卷积网络结构基于划分得到的数据进行训练，阶梯形的稠密卷积网络结构还包括空间注意力层和过渡层，训练的具体过程为：
[0033]A1、将划分得到的数据输入一级稠密模块，输出第一特征数据，将第一特征数据输入第一空间注意力层，得到空间差异放大的第一传感数据特征；
[0034]A2、将空间差异放大的第一传感数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光纤传感行人识别方法，其特征在于，包括以下步骤：S1、获取行人经过时的传感数据，对传感数据进行解调，得到相位数据；S2、对相位数据进行切面降采样；S3、对切面降采样后的数据通过矩形滑窗进行切割，得到时间序列信号；S4、将时间序列信号进行尺度划分，得到第一高尺度数据、第一中尺度数据和第一低尺度数据；S5、将划分得到的数据输入训练好的阶梯形的稠密卷积网络结构中，得到分类识别结果，所述阶梯形的稠密卷积网络结构包括三个相同的稠密模块和两个空间注意力层，稠密模块包括一级稠密模块、二级稠密模块和三级稠密模块，稠密卷积网络结构对输入的数据的特征进行放大。2.根据权利要求1所述的一种光纤传感行人识别方法，其特征在于，阶梯形的稠密卷积网络结构基于划分得到的数据进行训练，阶梯形的稠密卷积网络结构还包括空间注意力层和过渡层，训练的具体过程为：A1、将划分得到的数据输入一级稠密模块，输出第一特征数据，将第一特征数据输入第一空间注意力层，得到空间差异放大的第一传感数据特征；A2、将空间差异放大的第一传感数据特征进行独立合并操作，再将独立合并操作后的数据输入第一过渡层进行数据转换和压缩，得到第二高尺度数据和第二中尺度数据；A3、将第二高尺度数据和第二中尺度数据输入二级稠密模块，再将二级稠密模块的输出的第二特征数据输入第二空间注意力层，得到空间差异放大的第二传感数据特征，对空间差异放大的第二传感数据特征进行独立合并操作，并将独立合并操作后得到的数据输入第二过渡层进行数据转换和压缩，得到第三高尺度数据；A4、将第三高尺度数据输入三级稠密模块，输出第三特征数据，将第三特征数据输入全局平均池化层和Softmax层，输出分类结果；A5、根据分类结果计算交叉熵损失函数；A6、基于损失函数和Adam优化器对密卷积网络结构进行训练，重复A1～A6直至训练完成。3.根据权利要求2所述的一种光纤传感行人识别方法，其特征在于，阶梯形的稠密卷积网络结构的稠密模块由多个依次连接的瓶颈模块组成，每个瓶颈模块的组成为依次连接的第一归一化层、第一激活函数、1
×
1的第一卷积、第一正则化层、第二归一化层、第二激活函数、3
×
3的第二卷积和第二正则化层，数据输入稠密模块后，经过依次连接的瓶颈模块，得到特征数据。4.根据权利要求2所述的一种光纤传感行人识别方法，其特征在于，空间注意力层对特征数据进行以下操作：进行基于特征的全局最大池化和全局平均池化操作，分别得到两个操作结果，将两个操作结果在通道维度进行拼接，再经过一个卷积操作降维至单通道，然后使用Sigmoid函数生成空间注意力特征，将空间注意力特征与输入空间注意力层的特征数据相乘，生成传感数据特征。5.根据权利要求2所述的一种光纤传感行人识别方法，其特征在于，过渡层的组成为依次连接的第三归一化层、第三激活函数、1
×
1的第三卷积、内核大小为2
×
2的平均池化层。
6.根据权利要求1所述的一种光纤传感行人识别方法，其特征在于，通过矩形滑窗，将切面降采样后的数据基于滑窗宽度进行切割，得到长度为滑窗宽度的时间序列信号，所述滑窗宽度为512，滑窗之间的重叠率设置为75％。7.根据权利要求6所述的一种光纤传感行人识别方法，其特征在于，将时间序列信号进行尺度划分后，得到的第一高尺度数据的长度为512，第一中尺度数据的长度为256，第一低尺度数据的长度为128。8.根据权利要求1所述的一种光纤传感行人识别方法，其特征在于，所述相位数据包含传感光纤上相互间距为距离分辨率的多个位置处的背向瑞利散射信号的相位延迟变化信号，相位数据为大小为采样点数
×
位置数量的矩阵。9.一种光纤传感行人识别装置，其特征在于，装置包括传感数据采集模块、降采样模块、数据切割模块、尺度划分模块和稠密卷积网络模块，其中，传感数据采集模块用于获取行人经过...

【专利技术属性】
技术研发人员：彭威，刘泽超，马玲梅，王皓，程徐，
申请(专利权)人：之江实验室，
类型：发明
国别省市：