[发明专利]一种基于双通道残差神经网络的人体动作识别方法

说明书

本发明公开了一种基于双通道残差神经网络的人体动作识别方法，双通道残差神经网络中的短通道/长通道根据设置的滑动时间窗口长度，从输入的传感器时序数据中截取相应长度的数据；截取的数据依次由一个卷积层和一个残差层进行特征提取，得到短通道/长通道的输出特征；短通道和长通道的输出特征共同输入一个连接层进行拼接，再输入一个全连接层进行整合，得到一个向量，该向量维度等于分类标签总数，其第k维的元素值对应输入的传感器时序数据分类标签为k的可能性大小；基于样本数据对网络进行训练；再将未知分类标签的传感器时序数据输入训练好网络，确定其人体动作分类标签。本发明能实现高精度的人体动作识别。

技术领域

本发明属于人体动作识别技术领域，具体涉及一种基于双通道残差神经网络的人体动作识别方法。

背景技术

随着移动设备和可穿戴传感设备的发展和普及，使得人们能够通过内置传感器(如加速度计，陀螺仪，磁力仪等)实时感知人体动作。人体动作识别在理论研究和实践中都具有重要的价值，可广泛应用于健康检测、智能家居、人机交互。人体动作识别的主要目标是通过对传感器采集的数据进行分析，实现对人体动作的自动检测和识别。人体动作识别的关键技术包括利用便携式传感器或摄像头等物联网设备采集人体活动数据、处理人体活动数据、特征提取和分类识别等步骤。为了使计算机能够识别不同类别的人体动作，需要利用一些线性或非线性分类器对人体动作数据进行分类和识别。如何有效地提取具有良好判别力的特征是人体动作识别所需要解决的重要问题。

传统的动作识别方法侧重于手工提取有效的动作特征，由于特征之间的相关性很高，特征中存在影响识别精度的噪声等因素，手工特征提取方法需要有相关领域的专业知识。若缺乏相关领域的专业知识，特征提取的质量就很难得到保障，用这个特征进行识别会大大降低识别精度。此外，手工提取的特征都是浅层的，很难提取到复杂的深层特征。因此，寻找更加系统的方法来获得具有良好判别力的特征引起了广泛关注。近年来，机器学习领域取得了显著的进展，这些技术允许模型从数据中自动学习特征，其中极具代表性的是基于深度学习的特征提取方法。现在的深度学习方法可以分为两类：全连接神经网络和卷积神经网络。全连接神经网络(例如，包含一个输入层，两个或两个以上的隐藏层和一个输出层)可以通过叠加隐藏层来提取高级的抽象特征。卷积神经网络可以通过从局部到全局的权值共享对整个序列进行建模，然后通过一系列的卷积操作提取更深层的抽象特征并通过处理原始活动信号来捕获潜在的特征。

随着深度学习的发展，利用深度神经网络进行人体动作识别已经成为人机交互的研究热点。计算机通过学习大量的传感器数据，可以有效地识别人体动作。为了使计算机能够识别不同的人体动作，其关键在于利用判别特征来表征动作进而进行分类。如何有效地提取具有良好判别力的特征是人体动作识别所需要解决的最重要的问题。虽说基于深度学习的方法已经在人体动作识别上取得了不错的成就，但是由于人体动作的复杂性，当前的识别方法都存在着一定的不足，无法实现高精度的人体动作识别。因此需要设计一种新的特征提取方法，以实现高精度的人体动作识别。

发明内容

本发明所解决的技术问题是，针对现有技术的不足，，提出了一种基于双通道残差神经网络的人体动作识别方法，能够有效地提取数据的时空特征，实现高精度的人体动作识别，进行更准确的人体动作分类。

为了达到上述目的，本发明所提供的技术方案为：

一种基于双通道残差神经网络的人体动作识别方法，包括以下步骤：

步骤1：获取记录了人体动作特征的传感器时序数据样本及其对应的人体动作类别；

步骤2：构建双通道残差神经网络模型；

所述双通道残差神经网络模型包括一个短通道、一个长通道、一个连接层和一个全连接层；短通道和长通道各包括一个依次连接的卷积层和残差层；两个残差层后连接一个连接层，连接层后连接一个全连接层；