[发明专利]基于动作识别的应急反应能力测评方法

说明书

本发明公开了一种基于动作识别的应急反应能力测评方法，包括以下步骤：示范人员进行应急动作演示，采集动作图像序列；将动作图像序列转换成CNN神经网络输出的动作特征向量序列；将动作特征向量序列通过RNN神经网络输出应急动作序列的总体特征向量；被测人员展示与示范人员一致的应急动作，并用相同方式获得应急动作序列的总体特征向量；计算示范人员和被测人员的总体特征向量之间的差异，根据差异大小进行被测人员的应急反应能力评定。本发明将CNN神经网络和RNN神经网络应用于应急反应能力测评过程中，可以批量快速完成被测人员的应急能力测评，并且测评结果客观公正、科学有效，尤其适用于在面临自然灾害、人为伤害时的应急反应能力测评。

技术领域

本发明涉及一种应急反应能力测评方法，尤其涉及一种在面临自然灾害、人为伤害时的基于动作识别的应急反应能力测评方法。

背景技术

在面临自然灾害和人为伤害时，只有恰当快速的应急反应才能规避危险、保护自己。而在安全教育培训中，如何有效的对被测人员的应急反应能力进行科学有效、量化直观的测评，就成为培训的关键环节之一。

目前的安全教育培训信息化程度较低，还需要培育师通过直接观察被测人员的动作反应来作出能力高下的判断，因此效率较低，而且主观性强，缺乏科学精准的测评手段。

申请号为“201310164059.X”的发明专利申请，公开了一种适于模糊不确定环境下卡车司机应急反应能力评价方法，其步骤包括：确定评价小组和决策指标值；确定指标权重；计算归一化决策矩阵；确定模糊正理想解与模糊负理想解；计算卡车司机应急反应能力评价值与正理想解和负理想解之间的距离；计算与模糊正理想解的相对贴近度并排序。

上述发明申请的具体方法，也是通过专家小组的人为测评得到测评结果，同样存在主观性强、缺乏科学依据的问题。

当前深度学习技术在图像处理领域已经取得了一系列突破性的进展，包含卷积神经网络CNN、循环神经网络RNN，都已经形成了许多业内标准的模型，如CNN领域典型的GoogLeNet，RNN领域典型的LSTM网络，这些网络结构已经相对成熟并标准化，可处理各种图像问题，但目前并未应用到基于动作的测评领域。

发明内容

本发明的目的就在于为了解决上述问题而提供一种应用到CNN神经网络和RNN神经网络的基于动作识别的应急反应能力测评方法。

本发明通过以下技术方案来实现上述目的：

一种基于动作识别的应急反应能力测评方法，包括以下步骤：

步骤1：示范人员进行应急动作演示，利用摄像头采集示范人员的动作图像序列；

步骤2：将示范人员的动作图像序列依次输入CNN神经网络，将示范人员的动作图像序列转换成CNN神经网络输出的示范人员的动作特征向量序列；CNN神经网络即卷积神经网络，是一种前馈神经网络，人工神经元可以响应周围单元，可以大型图像处理；

步骤3：将示范人员的动作特征向量序列依次输入RNN神经网络进行训练，RNN神经网络输出为预测示范人员的下一个动作特征向量，最后一个示范人员的动作特征向量输入RNN神经网络后，对应的输出即为示范人员的应急动作序列的总体特征向量；RNN神经网络即循环神经网络，广泛用于自然语言处理中的语音识别，手写书别以及机器翻译等领域；

步骤4：被测人员展示与示范人员一致的应急动作，利用摄像头采集被测人员的动作图像序列；

步骤5：将被测人员的动作图像序列依次输入CNN神经网络，将被测人员的动作图像序列转换成CNN神经网络输出的被测人员的动作特征向量序列；

步骤6：将被测人员的动作特征向量序列依次输入RNN神经网络进行训练，RNN神经网络输出为预测被测人员的下一个动作特征向量，最后一个被测人员的动作特征向量输入RNN神经网络后，对应的输出即为被测人员的应急动作序列的总体特征向量；