[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)和智能終端的多類別人體姿態(tài)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711346910.5
• 申請(qǐng)日: 2017-12-15
• 公開(kāi)（公告）號(hào): CN108062170A
• 公開(kāi)（公告）日: 2018-05-22
• 發(fā)明（設(shè)計(jì)）人: 張雷;張志浩
• 申請(qǐng)（專利權(quán)）人: 南京師范大學(xué)
• 主分類號(hào): G06F3/0346
• 分類號(hào): G06F3/0346;G06F3/01;G06N3/04
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 葛瀟敏

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)和智能終端的多類別人體姿態(tài)識(shí)別方法，其特征在于包括如下步驟：

步驟1，采集移動(dòng)智能終端設(shè)備的三軸加速度傳感器數(shù)據(jù)，并記錄對(duì)應(yīng)的動(dòng)作類別；

步驟2，對(duì)三軸加速度傳感器數(shù)據(jù)進(jìn)行預(yù)處理后，將數(shù)據(jù)分為兩類，一類是訓(xùn)練樣本，一類是測(cè)試樣本；

步驟3，用訓(xùn)練樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，并用測(cè)試樣本測(cè)試其準(zhǔn)確率并根據(jù)需求不斷調(diào)整；

步驟4，將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型移植到移動(dòng)智能終端上；

步驟5，利用移動(dòng)智能終端采集三軸加速度傳感器數(shù)據(jù)，進(jìn)行預(yù)處理后，輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，得到人體姿態(tài)識(shí)別結(jié)果。

2.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)和智能終端的多類別人體姿態(tài)識(shí)別方法，其特征在于：所述步驟1中，采樣頻率設(shè)定為25Hz。

3.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)和智能終端的多類別人體姿態(tài)識(shí)別方法，其特征在于：所述步驟2中，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括對(duì)數(shù)據(jù)進(jìn)行濾波、歸一化處理，并將數(shù)據(jù)調(diào)整成卷積神經(jīng)網(wǎng)絡(luò)的輸入格式。

4.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)和智能終端的多類別人體姿態(tài)識(shí)別方法，其特征在于：所述步驟2中，將數(shù)據(jù)中的75％作為訓(xùn)練樣本，把數(shù)據(jù)中的25％作為測(cè)試樣本。

5.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)和智能終端的多類別人體姿態(tài)識(shí)別方法，其特征在于：所述步驟3的具體步驟是：

a，建立多層的卷積神經(jīng)網(wǎng)絡(luò)模型；

b，導(dǎo)入訓(xùn)練樣本調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)，得到高準(zhǔn)確率的模型。

6.如權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)和智能終端的多類別人體姿態(tài)識(shí)別方法，其特征在于：所述步驟b中，調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)包括各層神經(jīng)元數(shù)量調(diào)節(jié)，損失函數(shù)及卷積核調(diào)節(jié)。

7.如權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)和智能終端的多類別人體姿態(tài)識(shí)別方法，其特征在于：所述步驟a中，卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)包括：輸入層，兩層卷積和最大池化層，一個(gè)全連接層和一個(gè)輸出層。

8.如權(quán)利要求7所述的基于卷積神經(jīng)網(wǎng)絡(luò)和智能終端的多類別人體姿態(tài)識(shí)別方法，其特征在于：所述卷積神經(jīng)網(wǎng)絡(luò)模型中，卷積核大小為3*3，兩個(gè)卷積層的神經(jīng)元個(gè)數(shù)分別為96和198，第一層卷積核的數(shù)據(jù)尺寸為(5,5,3)，共有96個(gè)卷積核；整個(gè)實(shí)驗(yàn)的池化核都為(2,2)，池化步長(zhǎng)都為2，都使用最大池化策略；第二層卷積層的卷積核數(shù)據(jù)尺寸為(3,3,96)，共有198個(gè)卷積核；全連接層包含1024個(gè)隱藏節(jié)點(diǎn)；學(xué)習(xí)率為0.0001；drop-out為1。