[發明專利]一種基于卷積神經網絡的人體行為識別方法及識別系統

在審

• 申請號: 201810083701.4
• 申請日: 2018-01-29
• 公開（公告）號: CN108345846A
• 公開（公告）日: 2018-07-31
• 發明（設計）人: 徐文超;龐雨欣;楊艷琴;陳曉琛;宋凡迪;黃雪峰
• 申請（專利權）人: 華東師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上海麥其知識產權代理事務所(普通合伙) 31257
• 代理人: 董紅曼

1.一種基于卷積神經網絡的人體行為識別方法，其特征在于，包括：數據采集與預處理、模型建立與優化及模型應用；

所述數據采集與預處理包括：通過數據采集軟件訪問三軸加速度傳感器，儲存其采集的原始的人體活動三軸加速度數據與用戶反饋的真實的行為活動標簽，并對三個軸的數據信息進行歸一化處理，得到服從正態分布的三軸加速度數據；使用滑動窗口對處理后的三軸加速度數據進行數據分割處理，得到卷積神經網絡模型的輸入數據以及對應的標簽；對分割后的數據按比例隨機抽取得到模型的訓練數據和測試數據；

所述模型建立與優化包括：建立卷積神經網絡模型與優化所述卷積神經網絡模型；其中，建立卷積神經網絡模型中，建立了一個包含兩個卷積層、一個最大池化層、一個全連接層和預測概率輸出層的網絡結構；優化所述卷積神經網絡模型中，根據訓練好的卷積神經網絡模型對測試數據的預測結果是否足夠準確進一步對模型進行優化，優化過程包括模型超參數的調整與相關函數方法的重選取；

所述模型應用包括：將優化后的所述卷積神經網絡模型移植到軟件中，實現實時人體行為識別的應用。

2.如權利要求1所述的基于卷積神經網絡的人體行為識別方法，其特征在于，所述歸一化處理公式如下：

式中，μ和σ分別是數據集Z的均值和方差，Z＝加速度傳感器x,y,z三個軸的數據集。

3.如權利要求1所述的基于卷積神經網絡的人體行為識別方法，其特征在于，使用尺寸為n且半重疊的滑動窗口對三軸加速度數據進行分割，分割后共得到N/n*2組數據，每組包含n*3個數據，且每組數據間具有50％的重疊。

4.如權利要求1所述的基于卷積神經網絡的人體行為識別方法，其特征在于，對分割后的數據按照70/30的比例隨機抽取出模型的訓練數據和測試數據，包括相對應的行為標簽信息。

5.如權利要求1所述的基于卷積神經網絡的人體行為識別方法，其特征在于，對卷積神經網絡模型的建立包括如下步驟：

步驟a：將卷積層作為卷積神經網絡模型的第一層，單個卷積核尺寸為1*c1*3,卷積核數量為c1，其移動步長為s，輸入數據被第一層卷積核卷積后得到的數據尺寸為1*[(c1-n)/s+1]*c1*3；

步驟b：將最大池化層作為卷積神經網絡模型的第二層，單個池化層濾波器的尺寸為1*p，其移動步長為s_p，步驟a中得到的結果經過第二層最大池化層下采樣后得到的數據尺寸為1*{{[(c1-n)/s+1]-p}/s_p+1}*c1*3；

步驟c：將另一個卷積層作為卷積神經網絡模型的第三層，單個卷積核尺寸為1*c2*c1*3，卷積核數量為c2，其移動步長為s，步驟b得到的最終結果經過第三層卷積核卷積后得到的數據尺寸為1*{{{{[(c1-n)/s+1]-p}/s_p+1}-c2}/s+1}*c1*c2*3；

步驟d：將一個全連接層作為卷積神經網絡模型的第四層，將步驟c中的三維結果拉伸為一維特征向量，作為第四層全連接層的輸入，全連接層中神經元個數為H個；

步驟e：將卷積神經網絡模型的第五層作為模型的最終輸出層，此層中的概率輸出函數將輸出六種行為活動的預測概率，并將概率最大的行為對應的標簽作為最終的預測結果。

6.如權利要求5所述的基于卷積神經網絡的人體行為識別方法，其特征在于，所述概率輸出函數為Softmax函數。

7.如權利要求5所述的基于卷積神經網絡的人體行為識別方法，其特征在于，所述第一層和所述第三層的卷積層的建立中，在對卷積核權重初始化的過程中對初始化函數進行了優化，將服從標準高斯分布函數的初始化權重替換成服從截斷的高斯分布函數的初始化權重，將區間(μ-2*σ，μ+2*σ)外過小的值丟棄。

8.如權利要求5所述的基于卷積神經網絡的人體行為識別方法，其特征在于，網絡第四層全連接層的建立中，在全連接層中引入Dropout技術，Dropout率為0.5；同時在全連接層中，選擇的神經元激活函數為tanh函數。