[發明專利]基于卷積神經網絡和智能終端的多類別人體姿態識別方法

在審

• 申請號: 201711346910.5
• 申請日: 2017-12-15
• 公開（公告）號: CN108062170A
• 公開（公告）日: 2018-05-22
• 發明（設計）人: 張雷;張志浩
• 申請（專利權）人: 南京師范大學
• 主分類號: G06F3/0346
• 分類號: G06F3/0346;G06F3/01;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 葛瀟敏

本發明公開一種基于卷積神經網絡和智能終端的多類別人體姿態識別方法，包括如下步驟：步驟1，采集移動智能終端設備的三軸加速度傳感器數據，并記錄對應的動作類別；步驟2，對三軸加速度傳感器數據進行預處理后，將數據分為兩類，一類是訓練樣本，一類是測試樣本；步驟3，用訓練樣本訓練卷積神經網絡，并用測試樣本測試其準確率并根據需求不斷調整；步驟4，將訓練好的卷積神經網絡模型移植到移動智能終端上；步驟5，利用移動智能終端采集三軸加速度傳感器數據，進行預處理后，輸入到訓練好的卷積神經網絡模型，得到人體姿態識別結果。此種方法識別精度高，能夠識別的類型多。

技術領域

本發明屬于人工智能研究領域，涉及穿戴式智能監控領域，特別涉及一種利用傳感器進行人體姿態識別的方法。

背景技術

人體姿態識別技術在虛擬現實、移動游戲、醫療保健、人機交互、圖像識別等領域有著廣泛應用。大體上姿態識別技術分為二種：非穿戴式和穿戴式。非穿戴式技術顧名思義，指姿態識別設備不與人體直接接觸的人體姿態識別技術，例如圖像識別技術。穿戴式人體姿態識別技術相比于非穿戴式，有著空間不受限的優點，在研究和應用上有著更好的發展空間。由于人體姿態的多樣性，以及個體動作的差異性，如何建立一種高識別精度的姿態識別模型是目前一直探討和關注的研究課題。

通常，為了保持較高的識別精度，會在人體多出關節上安置多個傳感器設備。雖然這種方法能夠直觀地發現各種動作的加速度特征，但實際應用中要求使用者攜帶多個傳感器，很是不方便。如何使用較少甚至只是用一組傳感器進行高準確率的人體姿態識別是一個非常實際的研究問題。

使用智能手機或智能手表的內置傳感器進行人體姿態識別，國內外早已有很多研究應用，目前市面上多數智能手環手表和手機均有姿態識別的應用程序APP。此類人體姿態識別方法絕大多數為閾值檢測法，即通過判斷傳感器原始或處理后的數據是否大于或小于預先設定的好閾值來分類動作類型。這種方法計算簡單，占用智能移動設備的內存少，但與此同時，其缺點也很明顯:不同產品準確率參差不齊，能夠識別的動作類別也十分有限。這一方面是各個公司研發人員技術差距的原因，更重要的一方面原因是此類方法的局限。需要識別的動作類別越多，此種算法構建起來越復雜。

深度學習在模式識別上有著很好的發展前景。深度學習(Deep Learning)起源于人工神經網絡(Artificial Neural Network,ANN)的研究。其中卷積神經網絡是含有卷積層(Convolutional Layer)的神經網絡。卷積神經網絡在計算機視覺領域受到極大關注，卷積神經網絡不僅可以處理一維數據(例如，文本)，它還特別適合處理二維數據(例如，圖像)和三維數據(例如，視頻以及本專利提及的三維加速度數據)。卷積神經網絡屬于人工智能范疇，在模式識別分類器的構建上比傳統方法效率更高，且易于擴展，能夠實現比傳統方法動作識別類型更多的識別模型。

發明內容

本發明的目的，在于提供一種基于卷積神經網絡和智能終端的多類別人體姿態識別方法，其識別精度高，能夠識別的類型多。

為了達成上述目的，本發明的解決方案是：

一種基于卷積神經網絡和智能終端的多類別人體姿態識別方法，包括如下步驟：

步驟1，采集移動智能終端設備的三軸加速度傳感器數據，并記錄對應的動作類別；

步驟2，對三軸加速度傳感器數據進行預處理后，將數據分為兩類，一類是訓練樣本，一類是測試樣本；

步驟3，用訓練樣本訓練卷積神經網絡，并用測試樣本測試其準確率并根據需求不斷調整；

步驟4，將訓練好的卷積神經網絡模型移植到移動智能終端上；

步驟5，利用移動智能終端采集三軸加速度傳感器數據，進行預處理后，輸入到訓練好的卷積神經網絡模型，得到人體姿態識別結果。

上述步驟1中，采樣頻率設定為25Hz。