[发明专利]人体相近动作识别方法及装置、存储介质、电子设备

说明书

技术领域

本公开涉及行为识别技术领域，具体地，涉及一种人体相近动作识别方法及装置、计算机可读存储介质、电子设备。

背景技术

人体动作识别在很多领域都有广泛的应用，例如，疾病诊断、运动训练、人机交互等领域。目前的人体动作识别方法主要有以下两种：

基于计算机视觉的识别方法，通过计算机对摄像机采集的原始图像或图像序列数据进行处理和分析，该方法高度依赖于采集数据的质量以及被拍摄用户所在的位置、有无遮挡、背景环境等因素。

基于惯性传感器的识别方法，可以通过佩戴于人体的惯性传感器感知动作行为，获得对应的动作数据，进而从动作数据中提取出能够描述该动作行为的特征向量，作为分类器的输入，由分类器识别出用户的动作类别。常用的分类器可以为K近邻分类器(英文：K-nearest neighbor，简称：KNN)、支持向量机(英文：Support Vector Machine，简称：SVM)、多层感知机(英文：Multilayer Perceptron，简称：MLP)、k均值(k-means)等分类器。基于分类器实现的识别方法，存在识别准确率低，动作区分度不好等问题，尤其不能很好的识别人体的相近动作，例如，摔倒和趔趄这两个相近动作。

发明内容

本公开的目的是提供一种人体相近动作识别方法及装置、计算机可读存储介质及电子设备，有助于提高动作识别的准确率，特别是针对相近动作的识别准确率较高。

为了实现上述目的，第一方面，本公开提供一种人体相近动作识别方法，包括：

获取惯性传感器采集的人体动作的原始动作数据；

对所述原始动作数据进行预处理后，生成所述人体动作对应的特征图；

获取预先构建的相近动作识别模型，所述相近动作识别模型的拓扑结构为卷积神经网络；

所述特征图作为所述相近动作识别模型的输入，由所述相近动作识别模型识别出所述人体动作的动作类别。

可选地，所述生成所述人体动作对应的特征图，包括：

利用滑动窗对所述原始动作数据进行向量化处理，获得向量组合；

对所述向量组合进行预处理，从预处理后的向量组合中提取时域特征数据、频域特征数据以及幅值数据；

生成包含所述预处理后的向量组合、所述时域特征数据、所述频域特征数据以及所述幅值数据的图像，得到所述人体动作对应的特征图。

可选地，构建所述相近动作识别模型的方式为：

依据所述惯性传感器采集的历史原始动作数据，获取训练数据集，所述训练数据集包括多个训练特征图；

确定所述相近动作识别模型的拓扑结构为卷积神经网络；

利用所述训练特征图和所述卷积神经网络，训练得到所述相近动作识别模型。

可选地，所述卷积神经网络的隐层包括5个卷积层和3个全连接层。

可选地，所述卷积神经网络的激活函数为ReLU激活函数；

所述卷积神经网络的局部响应归一化LRN的计算公式为：

其中，表示归一化前第i个特征图在位置(x,y)处的值；表示归一化后第i个特征图在位置(x,y)处的值；N表示特征图的总数；n表示同一位置上的邻近特征图的数目；k、n、α、β为超参数。

第二方面，本公开提供一种人体相近动作识别装置，所述装置包括：

数据获取模块，用于获取惯性传感器采集的人体动作的原始动作数据；

特征图生成模块，用于对所述原始动作数据进行预处理后，生成所述人体动作对应的特征图；

模型获取模块，用于获取预先构建的相近动作识别模型，所述相近动作识别模型的拓扑结构为卷积神经网络；

动作类别识别模块，用于所述特征图作为所述相近动作识别模型的输入，由所述相近动作识别模型识别出所述人体动作的动作类别。

可选地，所述特征图生成模块包括：

向量组合获得模块，用于利用滑动窗对所述原始动作数据进行向量化处理，获得向量组合；

数据提取模块，用于对所述向量组合进行预处理，从预处理后的向量组合中提取时域特征数据、频域特征数据以及幅值数据；

图像生成模块，用于生成包含所述预处理后的向量组合、所述时域特征数据、所述频域特征数据以及所述幅值数据的图像，得到所述人体动作对应的特征图。

可选地，所述装置还包括：

训练数据集获取模块，用于依据所述惯性传感器采集的历史原始动作数据，获取训练数据集，所述训练数据集包括多个训练特征图；