[發明專利]一種面向弱標簽傳感器數據的人體動作識別方法

在審

• 申請號: 201811634891.0
• 申請日: 2018-12-29
• 公開（公告）號: CN109726682A
• 公開（公告）日: 2019-05-07
• 發明（設計）人: 何軍;張倩;王立群;裴凌
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 施昊

1.一種面向弱標簽傳感器數據的人體動作識別方法，其特征在于，包括以下步驟：

(1)利用傳感器采集人體行為活動數據構成訓練數據集，進行數據規范化處理，并添加對應的標簽；

(2)將訓練數據樣本輸入人體動作識別模型中，該模型包括卷積神經網絡模塊、循環神經網絡模塊和強化學習模塊；

(3)針對含單次特殊活動的弱標簽傳感器數據和含多次特殊活動的弱標簽傳感器數據分別設計回報函數，并計算相應的reward值；

(4)對人體動作識別模型進行訓練和優化；

(5)獲取測試數據集，輸入人體動作識別模型，測試模型的分類準確度。

2.根據權利要求1所述面向弱標簽傳感器數據的人體動作識別方法，其特征在于，步驟(2)的具體過程如下：

(201)對每條訓練數據樣本進行一個亞采樣，將亞采樣后的數據輸入到卷積神經網絡中，得到全局特征向量h₀；一方面，將此特征向量h₀作為網絡的初始狀態輸入循環神經網絡中進行編碼，并通過強化學習模塊輸出初始觀察位置預測l₁；另一方面，將此特征向量h₀輸入到Softmax函數中，輸出對應于真實標簽的分類概率p₀；

(202)在上一步的預測位置l₁附近取一小片數據樣本，并輸入卷積神經網絡中提取特征，得到其特征向量g₁；一方面，將此特征向量g₁與全局特征向量h₀相加，輸入到Softmax函數中得到對應于真實標簽的分類概率p₁；另一方面，將此特征向量g₁與上一步的位置預測通過一個RELU修正線性單元模塊進行線性加和，輸入到循環神經網絡中，循環神經網絡將當前輸入的局部特征g₁與之前的全局特征h₀相結合，更新得到當前的全局特征h₁，并將h₁輸入到強化學習模塊，輸出下一步待觀察的位置預測l₂；

(203)重復步驟(202)，在執行完預先設置的步數T之后，將循環神經網絡最終的全局特征輸入Softmax分類器中，得到預測標簽。

3.根據權利要求2所述面向弱標簽傳感器數據的人體動作識別方法，其特征在于，在步驟(3)中，針對含單次特殊活動的弱標簽傳感器數據，回報函數的設計方法如下：

將第t步輸出的分類概率p_t與初始分類概率p₀作對比，若p₀≤p_t，則該步reward值為1，否則為0。

4.根據權利要求2所述面向弱標簽傳感器數據的人體動作識別方法，其特征在于，在步驟(3)中，針對含多次特殊活動的弱標簽傳感器數據，回報函數的設計方法如下：

將每步的預測位置附近窗口大小的小片數據樣本位置放入一個集合中，在第t步，首先判斷p₀≤p_t，若該不等式不成立，則該步的reward直接為0，若成立，再判斷此步輸出的預測位置l_t+1是否包含在之前的位置集合{loc₀,...,loc_t}中，若包含，則該步的reward為0.5，否則reward為1；其中loc_i是指(l_i-w_s,l_i+w_s)區間范圍內的位置集合，w_s為窗口大小，0≤i≤t。