[发明专利]鞋类识别方法、装置、系统及计算机存储介质、电子设备在审
申请号: | 202010993739.2 | 申请日: | 2020-09-21 |
公开(公告)号: | CN112101472A | 公开(公告)日: | 2020-12-18 |
发明(设计)人: | 姚昱旻;文雅;温岚 | 申请(专利权)人: | 长沙昱旻信息科技有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 北京世誉鑫诚专利代理有限公司 11368 | 代理人: | 孙国栋 |
地址: | 410000 湖南省长沙市高新开发区尖山*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 鞋类 识别 方法 装置 系统 计算机 存储 介质 电子设备 | ||
1.一种鞋类识别方法,其特征在于,包括:
获取识别对象的步态数据;
根据所述步态数据以及预先建立的深度注意力网络Sensing-HH,识别所述识别对象的鞋子种类。
2.根据权利要求1所述的方法,其特征在于,所述获取识别对象的步态数据,包括:
利用所述识别对象携带的运动传感器获取识别对象的步态数据;
所述运动传感器包括三轴加速度计和三轴陀螺仪,所述三轴加速度计被配置为测量X、Y、Z方向上的加速度和重力值,所述三轴陀螺仪被配置为获取空间旋转的角速度。
3.根据权利要求2所述的方法,其特征在于,所述识别对象携带的运动传感器被握在所述识别对象的手上、或者束在所述识别对象的腰部、或者放在所述识别对象的包袋中。
4.根据权利要求1所述的方法,其特征在于,所述根据所述步态数据以及预先建立的深度注意力网络Sensing-HH,识别所述识别对象的鞋子种类,包括:
将步态数据中的加速度数据传输至预先建立的深度注意力网络Sensing-HH中的第一深度注意力网络,得到加速度特征;将步态数据中的角速度数据传输至预先建立的深度注意力网络Sensing-HH中的第二深度注意力网络,得到角速度特征;
将所述加速度特征和角速度特征输入至预先建立的深度注意力网络Sensing-HH中的分类层,得到所述识别对象的鞋子种类。
5.根据权利要求4所述的方法,其特征在于,在将步态数据传输至深度注意力网络之前,进一步包括:
将所述步态数据转换为等采样的时间序列;
对所述等采样的时间序列按照预先设定的时间窗口和交叠进行滑动窗口划分,将所述等采样的时间序列分段为各个子序列。
6.根据权利要求5所述的方法,其特征在于,所述将所述传感器数据转换为等采样的时间序列,包括:
对步态数据采用三次样条方法插值,将步态数据的原始信号序列转换为等采样的时间序列。
7.根据权利要求5所述的方法,其特征在于,在将步态数据传输至深度注意力网络之前,进一步包括:
基于经验模态分解和小波阈值相结合,对步态数据中的重力分量进行过滤。
8.根据权利要求5所述的方法,其特征在于,在所述将所述等采样的时间序列分段为各个子序列之后,进一步包括:
对子序列中的每个值采用特征中所有值的均值-标准差进行缩放。
9.根据权利要求4所述的方法,其特征在于,所述第一深度注意力网络和/或所述第二深度注意力网络,包括:
深度混合连接网络,以及,被配置为将空间注意力转移至所述深度混合连接网络的注意力网络。
10.根据权利要求9所述的方法,其特征在于,所述深度混合连接网络包括卷积层CNN、加权池化层、双向长短期记忆层BiLSTM和分类输出层,
所述卷积层被配置为从步态数据中提取空间特征;
所述加权池化层被配置为根据所述注意力网络的输出对所述空间特征进行加权池化;
所述双向长短期记忆层被配置为学习所述空间特征中显着特征的双向长期依赖性;
所述分类输出层被配置为输出特征图。
11.根据权利要求10所述的方法,其特征在于,所述从步态数据中提取空间特征,包括:
上一层的特征图与预定个数的卷积内核进行卷积;
根据卷积运算的输出以及预先学习得到的偏差,并利用激活函数进行处理,得到下一层的特征图
其中,X和Y分别是在空间和时间上运行的2D卷积内核的大小,M′是卷积层(l-1)中特征图的数量,为局部滤波器权重张量,为偏差。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于长沙昱旻信息科技有限公司,未经长沙昱旻信息科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010993739.2/1.html,转载请声明来源钻瓜专利网。
- 上一篇:涂覆式环保合成革的制备工艺
- 下一篇:复合环保合成革的制备工艺