基于轻量化脉冲神经网络的人体姿态识别方法技术

本发明专利技术涉及图像处理技术领域，尤其涉及一种基于轻量化脉冲神经网络的人体姿态识别方法。包括：拍摄不同姿态的人体姿势，将拍摄的图像作为数据集，并将采集图像的时空数据流信息以逗号分隔值文件形式进行存储；构建泄露‑积分‑点火LIF显式迭代模型；构建损失函数，并添加一个正则项作为所述损失函数的柔性限制；构建基于脉冲神经网络的低功耗轻量化LESNN网络，使特征图经过四个阶段的特征提取和维度拼接，得到轻量化脉冲神经网络模型；设定模型初始参数，对模型进行训练；将待测的时空数据流输入训练好的模型中，进行检测与识别后得到人体的姿态状态。优点在于：采用脉冲神经网络实现轻量化；引入正则项有效缓解梯度爆炸与梯度消失。

【技术实现步骤摘要】

本专利技术涉及图像处理，尤其涉及一种基于轻量化脉冲神经网络的人体姿态识别方法。

技术介绍

1、目前，图像处理领域对目标识别的方法主要采用卷积神经网络的方法，并且算力强大的gpu也大大提高了智能识别模型的计算能力和分析效率。但是伴随着深度神经网络模型深度的叠加，精度并未随着模型深度的增加呈线性增长，因此现有的物体识别技术大多采用复杂度较高、成本昂贵的芯片，难以实现低成本、低功耗计算，造成资源的浪费。并且网络模型的高存储与高功耗弊端，严重制约深度神经网络在计算资源有限的移动端或微型计算机中的应用与推广。

2、针对深度模型的高功耗问题，采用脉冲神经网络（snn）可以有效降低模型功耗，脉冲神经网络可以很好的接收运动物体产生的时空数据流，高效的处理这些变化信息。但是在训练大规模的snn时存在一些问题：首先在空间域和时间域的复杂神经动力学模型使反向传播难以理解。具体地说，神经活动不仅在空间域中逐层传播，而且还影响着时间方向的状态，其次，事件驱动的脉冲是离散和不可微的，这也阻碍了基于梯度下降的误差反向传播（bp）实现。

3、针对上述不足，目前国内本文档来自技高网...

【技术保护点】

1.一种基于轻量化脉冲神经网络的人体姿态识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于轻量化脉冲神经网络的人体姿态识别方法，其特征在于：所述泄露-积分-点火LIF显式迭代模型的显式方程为：

3.根据权利要求2所述的一种基于轻量化脉冲神经网络的人体姿态识别方法，其特征在于：在所述步骤S4中四个阶段的特征提取和维度拼接具体包括如下步骤：

4.根据权利要求3所述的一种基于轻量化脉冲神经网络的人体姿态识别方法，其特征在于：在所述LE Block1和所述LE Block2的残差路径相同且均有两个分支；一个分支上经过一个LDCB块实现进一步...

【技术特征摘要】

1.一种基于轻量化脉冲神经网络的人体姿态识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于轻量化脉冲神经网络的人体姿态识别方法，其特征在于：所述泄露-积分-点火lif显式迭代模型的显式方程为：

3.根据权利要求2所述的一种基于轻量化脉冲神经网络的人体姿态识别方法，其特征在于：在所述步骤s4中四个阶段的特征提取和维度拼接具体包括如下步骤：

4.根据权利要求3所述的一种基于轻量化脉冲神经网络的人体姿态识别方法，其特征在于：在所述le block1和所述le block2的残差路径相同且均有两个分支；一个分支上经过一个ldcb块实现进一步降采样，将特征图高度和宽度变为60和87，通道数由16变为32，得到特征图；另一个分支上利用最大池化操作将特征图高度和宽度降低2倍变为60和87，通道数保持不变，得到特征图；将经过ldcb的特征图和经过最大池化的特征图在通道维度上拆分为四组，将拆分后的四组特征图分别在通道维度进行拼接，生成四组融合后的特征图~，形状为,其中t、c、g、h、w分别为5、12、4、60、87；在分组维度进行求和实现不同组之间的信息融合，生成形状为的特征图，特征图中t、c、h、w分别为5、12、60、87；再将特征图送入lcb块中，进一步提取特征并将通道维度由12变为16，得到特征图。

5.根据权利要求4所述的一种基于轻量化脉冲神经网络的人体姿态识别方法，其特征在于：在le block1的捷径路径中，输入特征图...

【专利技术属性】
技术研发人员：赵宇宸，吕恒毅，孙铭，张以撒，冯阳，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：