CN106446876A - 一种传感行为识别方法和装置 - Google Patents
一种传感行为识别方法和装置 Download PDFInfo
- Publication number
- CN106446876A CN106446876A CN201611024234.5A CN201611024234A CN106446876A CN 106446876 A CN106446876 A CN 106446876A CN 201611024234 A CN201611024234 A CN 201611024234A CN 106446876 A CN106446876 A CN 106446876A
- Authority
- CN
- China
- Prior art keywords
- sensing
- matrix
- target information
- data
- information matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种传感行为识别方法和装置。传感行为识别方法包括:获取通过红外传感装置采集到的传感信息,所述红外传感装置由在不同采集点设置的传感器阵列组成;依据所述传感信息构建目标信息矩阵,所述目标信息矩阵用于表示所述传感器阵列在不同时间点确定的传感数据;依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为。本方案实现了计算数据量少、非侵入式、成本低、体积小的人体行为识别,提高了识别准确率。
Description
技术领域
本发明实施例涉及行为识别技术,尤其涉及一种传感行为识别方法和装置。
背景技术
人体行为识别技术主要通过摄像头、传感器等设备采集一定时间段内人体活动的数据信息,并通过算法实现人体行为的智能识别。目前,人体行为识别技术与智能家居等智能化产业联系密切。人体行为信息的采集方案多种多样,可分为通过摄像头的图像采集方案、可穿戴传感器采集方案、被动式传感器采集方案。
现有技术中,基于摄像头信息采集的人体行为识别,要求多组摄像头连续采集,数据量较大,成本较高,且考虑到隐私的因素,在家居生活中侵入感较强。可穿戴传感器不受光照变化的影响,但穿戴不方便,用户体验较差。被动式红外传感器相对摄像头对光照变化更具鲁棒性,但不够灵活,对较复杂的行为识别效果较差。同时,运用几何逻辑识别人体行为的方法因其简单、高效、适应性好等优点在产品市场中应用较多,但难以满足相对复杂的行为识别需求。贝叶斯人体识别方法需要数据量小、理论完善,适用于传感器人体识别,但是针对连续时间内复杂行为和难以描述的相似行为识别效果较差。卷积神经网络的方法识别效果较好,但依赖于采集的数据,通常应用于基于摄像头的计算机视觉行为识别。
发明内容
本发明提供一种传感行为识别方法和装置,实现了计算数据量少、非侵入式、成本低、体积小的人体行为识别,提高了识别准确率。
第一方面,本发明实施例提供了一种传感行为识别方法,其特征在于,包括:
获取通过红外传感装置采集到的传感信息,所述红外传感装置由在不同采集点设置的传感器阵列组成;
依据所述传感信息构建目标信息矩阵,所述目标信息矩阵用于表示所述传感器阵列在不同时间点确定的传感数据;
依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为。
优选的是,所述采集点均匀分布在物理空间中,所述传感器阵列在每个采集点中依据预设间隔设置,所述传感器阵列由六个二进制红外传感器组成。
在上述任一方案中,优选的是,所述依据所述传感信息构建目标信息矩阵包括:
通过差值算法得到传感信息的校正数据,依据所述校正数据构建目标信息矩阵;所述目标信息矩阵为三维矩阵,所述三维矩阵的行(第1维)为不同时间点对应的传感数据,列(第2维)为不同的采集点对应的传感数据,层数(第3维)为不同高度的传感器阵列采集到的传感数据。
在上述任一方案中,优选的是,所述依据深层卷积神经网络算法对所述目标信息矩阵进行分析包括:
依据公式xj max=max(xji),i=1,2,...,r×c及xj min=min(xji),i=1,2,...,r×c分别确定所述目标矩阵中数据的最大值与最小值,其中j为所述目标矩阵的层数,r为所述目标矩阵的行数,c为所述目标矩阵的列数;
依据公式将所述目标矩阵进行矩阵变换,转化到[-1,1]空间;
将变换后的矩阵作为卷积神经网络的输入数据,依据公式
确定每层神经网络的数值,其中l表示卷积神经网络的层数,j表示该层网络卷积后的层数,f表示该层网络卷积前的层数,为各层输入数据,第一层为转换后的目标信息矩阵,其他层为上一层的输出数据,为多尺度卷积核,bl为偏置,随机初始化,σ为激活函数,T代表池化。
在上述任一方案中,优选的是,依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为包括:
依据深层卷积神经网络算法对所述目标信息矩阵进行分析,依据分析结果和预设传感动作确定传感行为。
第二方面,本发明实施例还提供了一种传感行为识别装置,包括:
传感信息获取模块,用于获取通过红外传感装置采集到的传感信息,所述红外传感装置由在不同采集点设置的传感器阵列组成;
目标信息矩阵确定模块,用于依据所述传感信息构建目标信息矩阵,所述目标信息矩阵用于表示所述传感器阵列在不同时间点确定的传感数据;
传感行为分析确定模块,用于依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为。
优选的是,所述采集点均匀分布在物理空间中,所述传感器阵列在每个采集点中依据预设间隔设置,所述传感器阵列由六个二进制红外传感器组成。
在上述任一方案中,优选的是,所述目标信息矩阵确定模块具体用于:
通过差值算法得到传感信息的校正数据,依据所述校正数据构建目标信息矩阵;所述目标信息矩阵为三维矩阵,所述三维矩阵的行为不同时间点对应的传感数据,列为不同的采集点对应的传感数据,层数为不同高度的传感器阵列采集到的传感数据。
在上述任一方案中,优选的是,所述传感行为分析确定模块具体用于:
依据公式xj max=max(xji),i=1,2,...,r×c及xj min=min(xji),i=1,2,...,r×c分别确定所述目标矩阵中数据的最大值与最小值,其中j为所述目标矩阵的层数,r为所述目标矩阵的行数,c为所述目标矩阵的列数;
依据公式将所述目标矩阵进行矩阵变换,转化到[-1,1]空间;
将变换后的矩阵作为卷积神经网络的输入数据,依据公式
确定每层神经网络的数值,其中l表示卷积神经网络的层数,j表示该层网络卷积后的层数,f表示该层网络卷积前的层数,为各层输入数据,第一层为转换后的目标信息矩阵,其他层为上一层的输出数据,为多尺度卷积核,bl为偏置,随机初始化,σ为激活函数,T代表池化。
在上述任一方案中,优选的是,所述传感行为分析确定模块具体用于:
依据深层卷积神经网络算法对所述目标信息矩阵进行分析,依据分析结果和预设传感动作确定传感行为。
本发明通过获取通过红外传感装置采集到的传感信息,所述红外传感装置由在不同采集点设置的传感器阵列组成;依据所述传感信息构建目标信息矩阵,所述目标信息矩阵用于表示所述传感器阵列在不同时间点确定的传感数据;依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为,解决现有技术中在识别传感行为是成本较高、效果较差的问题,实现了计算数据量少、非侵入式、成本低、体积小的人体行为识别,提高了识别准确率。
附图说明
图1为本发明实施例一提供的传感行为识别方法的流程图;
图2为本发明实施例一提供的采集点的位置示意图;
图3为本发明实施例提供的红外传感装置中的一层传感器阵列采集到的传感信息示意图;
图4为本发明实施例一提供的卷积神经网络示意图;
图5为本发明实施例一提供的卷积运算边界循环扩展示意图;
图6为本发明实施例一提供的卷积神经网络训练示意图;
图7为本发明实施例一提供的卷积神经网络训练单次输出结果示意图;
图8为本发明实施例二提供的传感行为识别装置的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的传感行为识别方法的流程图,本实施例可适用于对人体行为进行识别的情况,该方法可以由计算设备如计算机来执行,具体包括如下步骤:
步骤101、获取通过红外传感装置采集到的传感信息,所述红外传感装置由在不同采集点设置的传感器阵列组成。
其中,红外传感装置指以红外线作为介质的测量、传感***。本方案中在需要确定传感行为的空间设置有该红外传感装置。示例性的,假设存在一长宽高都是2米的物理空间,此时需要对该空间出现的行为进行识别,可以是对该空间存在的人体的人体行为进行识别。具体的,在该物理空间的每条边设置两个采集点,图2为本发明实施例一提供的采集点的位置示意图,如图2所示,采集点1到采集点8均匀分布在物理空间中。该采集点可根据具体的物理空间的不同而适应性设置,本领域技术人员可知,采集点越多得到的采集数据越精准。其中,在每个采集点处的不同高度设置有传感器阵列,示例性的,每隔25厘米设置一层传感器阵列,即前述的每个采集点处在不同高度间隔25厘米依次设置有传感器阵列。每个传感器阵列由二进制红外传感器组成,本方案中,每个传感器阵列可以包括六个二进制传感器。其中,每个传感器阵列可通过这六个二进制传感器来识别8个方向上是否检测到传感数据。图2中每个采集点处发射的8条直线代表了可检测到的8个方向上。
具体的,每个传感器阵列通过六个二进制传感器识别8个方向上是否检测到传感数据可采取如下方法:假定每个二进制传感器识别到传感数据则置位为“1”,未识别到则置位为“0”,由于每个传感器阵列包含六个二进制传感器,即每个传感器阵列检测到的数据可由6位的二进制数组成,如“000111”,其中第一位“0”对应着传感器阵列中第一个二进制传感器的采集结果,第二位“0”对应着传感器阵列中第二个二进制传感器的采集结果,依次类推;在检测前,可针对这六位二进制数据进行预编码,不同的编码对应着8个方向中的一个方向,编码方式可采用LDPC(Low Density Parity Check Code,低密度奇偶校验码)编码,示例性的,“00000”代表8个方向中的第一个方向,“010010”代表着8个方向中的第二方向,“101110”代表着8个方向中的第三方向,依次类推;当传感器阵列中确定的6为二进制数据和预编码中存有的8个方向对应的六位二进制数据中的一个一致时,则确定该传感器阵列在该方向上检测到传感数据,由此,该红外传感装置即可对物理空间中的传感行为进行采集。图3为本发明实施例一提供的红外传感装置中的一层传感器阵列采集到的传感信息的示意图,如图3所示,示例性的,阵列2和阵列5的编码对应有预编码的方向,则可认定阵列2和阵列5在预设的方向上检测到了传感数据。
步骤102、依据所述传感信息构建目标信息矩阵,所述目标信息矩阵用于表示所述传感器阵列在不同时间点确定的传感数据。
其中,目标信息矩阵为三维矩阵,所述三维矩阵的行为不同时间点对应的传感数据,列为不同的采集点对应的传感数据,层数为不同高度的传感器阵列采集到的传感数据。示例性的,不同时间点之间的时间间隔可以是0.3s,即目标信息矩阵的元素代表某一时刻某一节点在某段高度范围内人体目标分布信息。可选的,因具体物理空间的限制(如某段边沿不能安装采集节点等),可通过差值算法得到传感信息的校正数据,依据所述校正数据构建目标信息矩阵。具体的,可以是,假设节点A向右移动距离m至点C,节点B位于节点a的左侧,且B距A距离为n,则根据点A和C处的数据a、c可以得到点B(未移动前原始节点)的数据
可选的,为了提高红外传感装置采集数据的精确度,可求各节点传感器阵列采集到的6位数据在相邻时间内变化的总数,如某一节点的一个传感器阵列在某时刻采集的数据为“110010”,假设该传感器阵列在上时刻数据为“001011”,则当前时刻下发生变化的有4位,依次统计各节点(每个节点包含8个传感器阵列)采集到的数据在总时间段内发生变化的总位数,并依照大小依次排序,将序号减一作为此节点数据的高位,如上述举例的节点变化的总位数排在第4位,则该时刻上述举例的传感器阵列的数据变为“011 110010”,由于该数据体现了传感器阵列采集的时序性,减小了测量误差。
步骤103、依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为。
示例性的,采用3层卷积网络,每层卷积核结构如图4所示,图4为本发明实施例一提供的卷积神经网络示意图,其中,最大卷积核尺寸kernelsize=3。图5为本发明实施例一提供的卷积运算边界循环扩展示意图,如图5所示为卷积运算边界循环扩展pad=1的示意结果。可选的,依据公式xj max=max(xji),i=1,2,...,r×c及xj min=min(xji),i=1,2,...,r×c分别确定所述目标矩阵中数据的最大值与最小值,其中j为所述目标矩阵的层数,r为所述目标矩阵的行数,c为所述目标矩阵的列数;
依据公式将所述目标矩阵进行矩阵变换,转化到[-1,1]空间;
将变换后的矩阵作为卷积神经网络的输入数据,依据公式
确定每层神经网络的数值,其中l表示卷积神经网络的层数,j表示该层网络卷积后的层数,f表示该层网络卷积前的层数,为各层输入数据,第一层为转换后的目标信息矩阵,其他层为上一层的输出数据,为多尺度卷积核,bl为偏置,随机初始化,σ为激活函数,T代表池化。
本方法中通过对每个卷积层计算结果h(l)进行插值实现,在卷积神经网络的训练过程中,首先训练卷积层1得到8*8*32矩阵,训练池化层1得到6*6*32的矩阵,再同样应用上述公式训练卷积层2和池化层2,得到4*4*64的矩阵,再同样经过卷积层3和池化层3得到2*2*32的矩阵,然后训练全连接层,全连接层与卷积层相似,kernelsize改为1,pad=0,再采用softmax-Loss损失函数求训练误差,然后将误差反向传播更新和bl,重复迭代训练8000次,和bl趋近不变。图6为本发明实施例一提供的卷积神经网络训练示意图,如图6所示,假设把左边的8*8矩阵按每大格2*2来分,那可分为4*4个大格Aij,i表示行数,j表示列数,然后由图所示,根据A11、A12、A21、A22这四个大格得到右边矩阵左上方的4个小格b11、b12、b21、b22,依次类推,根据A12、A13、A22、A23得到b13、b14、b23、b24,直到根据A33、A34、A43、A44得到b55、b56、b65、b66。
本步骤中,依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为包括:依据深层卷积神经网络算法对所述目标信息矩阵进行分析,依据分析结果和预设传感动作确定传感行为。示例性的,可根据人体活动的分类进行预设传感动作的设定,动作可以是系鞋带、坐姿伸懒腰、慢跑、擦鞋、坐姿扩胸运动、原地小跳等。
具体的,输入数据为:依据公式变换后的8*8*8目标信息矩阵I。
1)卷积层1:由xavier方法初始化32个卷积核Kj,使用图5所示的边界扩充方法,由下述公式得出32个对应的8*8特征图c(1)。
其中,j为1,2,...,32;f为1,2,....,8。
2)Tanh层1:根据tanh函数进行非线性变化。
3)池化层1:根据图6所示方法将8*8*32矩阵变换为6*6*32矩阵。
4)正则化层1:依据公式将池化层输出数据变换到[-1,1]范围内,得到矩阵n(1),x为矩阵中的元素。
5)卷积层2:由xavier方法初始化64个卷积核Kj,使用图5所示的边界扩充方法,输入为正则化层1输出的6*6*32矩阵,由下述公式得出64个对应的6*6特征图c(2)。
其中,j为1,2,...,64;f为1,2,....,32。
6)Tanh层2:根据tanh函数进行非线性变化。
7)池化层2:根据图6所示方法将6*6*64矩阵变换为4*4*64矩阵。
8)正则化层2:依据公式将池化层输出数据变换到[-1,1]范围内,得到矩阵n(2),x为矩阵中的元素。
9)卷积层3:由xavier方法初始化32个卷积核Kj,使用图5所示的边界扩充方法,输入为正则化层2输出的4*4*64矩阵,由下述公式得出32个对应的4*4特征图c(3)。
其中,j为1,2,...,32;f为1,2,....,64。
10)Tanh层3:根据tanh函数进行非线性变化。
11)池化层3:根据图6所示方法将4*4*64矩阵变换为2*2*32矩阵。
12)正则化层3:依据公式将池化层输出数据变换到[-1,1]范围内,得到矩阵n(3),x为矩阵中的元素。
13)输出层:输出的行为类别Oi=Σwx(3),i为类别数,由求softmax损失函数为的元素,x(3)为的元素,w为初始化权重。
14)通过求导的方式求出各层参数和卷积核的变化值,更新各层参数。
15)输入新的数据和标签,重复进行1)到14)步骤,训练8000次,使参数趋于不变。
通过上述算法,最终输出结果如图7所示,图7为本发明实施例一提供的卷积神经网络训练单次输出结果示意图,其中,横坐标为预设的6中可识别的行为,示例性的,1表示系鞋带;2表示伸懒腰;3表示慢跑;4表示擦鞋;5表示扩胸运动;6表示原地跳跃。相应的,纵坐标为对应类别的识别概率,由于有的类别动作相似度较高,一个动作可能识别为不同的行为,此时取概率最高的时间对应的类别为最终识别出的行为,如图所示第2类别的概率最高,则通过本算法确定出的行为“伸懒腰”动作。
本实施例的技术方案,通过获取通过红外传感装置采集到的传感信息,所述红外传感装置由在不同采集点设置的传感器阵列组成;依据所述传感信息构建目标信息矩阵,所述目标信息矩阵用于表示所述传感器阵列在不同时间点确定的传感数据;依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为,解决现有技术中在识别传感行为是成本较高、效果较差的问题,实现了计算数据量少、非侵入式、成本低、体积小的人体行为识别,提高了识别准确率。
实施例二
图8为本发明实施例二提供的传感行为识别装置的结构图,具体包括如下:
传感信息获取模块201,用于获取通过红外传感装置采集到的传感信息,所述红外传感装置由在不同采集点设置的传感器阵列组成;
目标信息矩阵确定模块202,用于依据所述传感信息构建目标信息矩阵,所述目标信息矩阵用于表示所述传感器阵列在不同时间点确定的传感数据;
传感行为分析确定模块203,用于依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为。
本实施例的技术方案,通过获取通过红外传感装置采集到的传感信息,所述红外传感装置由在不同采集点设置的传感器阵列组成;依据所述传感信息构建目标信息矩阵,所述目标信息矩阵用于表示所述传感器阵列在不同时间点确定的传感数据;依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为,解决现有技术中在识别传感行为是成本较高、效果较差的问题,实现了计算数据量少、非侵入式、成本低、体积小的人体行为识别,提高了识别准确率。
在上述技术方案的基础上,所述采集点均匀分布在物理空间中,所述传感器阵列在每个采集点中依据预设间隔设置,所述传感器阵列由六个二进制红外传感器组成。
在上述技术方案的基础上,所述目标信息矩阵确定模块具体用于:
通过差值算法得到传感信息的校正数据,依据所述校正数据构建目标信息矩阵;所述目标信息矩阵为三维矩阵,所述三维矩阵的行为不同时间点对应的传感数据,列为不同的采集点对应的传感数据,层数为不同高度的传感器阵列采集到的传感数据。
在上述技术方案的基础上,所述传感行为分析确定模块具体用于:
依据公式xj max=max(xji),i=1,2,...,r×c及xj min=min(xji),i=1,2,...,r×c分别确定所述目标矩阵中数据的最大值与最小值,其中j为所述目标矩阵的层数,r为所述目标矩阵的行数,c为所述目标矩阵的列数;
依据公式将所述目标矩阵进行矩阵变换,转化到[-1,1]空间;
将变换后的矩阵作为卷积神经网络的输入数据,依据公式
确定每层神经网络的数值,其中l表示卷积神经网络的层数,j表示该层网络卷积后的层数,f表示该层网络卷积前的层数,为各层输入数据,第一层为转换后的目标信息矩阵,其他层为上一层的输出数据,为多尺度卷积核,bl为偏置,随机初始化,σ为激活函数,T代表池化。
在上述技术方案的基础上,所述传感行为分析确定模块具体用于:
依据深层卷积神经网络算法对所述目标信息矩阵进行分析,依据分析结果和预设传感动作确定传感行为。
上述产品可执行本发明实施例一所提供的方法,具备执行方法相应的功能模块和有益效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种传感行为识别方法,其特征在于,包括:
获取通过红外传感装置采集到的传感信息,所述红外传感装置由在不同采集点设置的传感器阵列组成;
依据所述传感信息构建目标信息矩阵,所述目标信息矩阵用于表示所述传感器阵列在不同时间点确定的传感数据;
依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为。
2.根据权利要求1所述的方法,其特征在于,所述采集点均匀分布在物理空间中,所述传感器阵列在每个采集点中依据预设间隔设置,所述传感器阵列由六个二进制红外传感器组成。
3.根据权利要求1所述的方法,其特征在于,所述依据所述传感信息构建目标信息矩阵包括:
通过差值算法得到传感信息的校正数据,依据所述校正数据构建目标信息矩阵;所述目标信息矩阵为三维矩阵,所述三维矩阵的行为不同时间点对应的传感数据,列为不同的采集点对应的传感数据,层数为不同高度的传感器阵列采集到的传感数据。
4.根据权利要求1或3所述的方法,其特征在于,所述依据深层卷积神经网络算法对所述目标信息矩阵进行分析包括:
依据公式xjmax=max(xji),i=1,2,...,r×c及xjmin=min(xji),i=1,2,...,r×c分别确定所述目标矩阵中数据的最大值与最小值,其中j为所述目标矩阵的层数,r为所述目标矩阵的行数,c为所述目标矩阵的列数;
依据公式将所述目标矩阵进行矩阵变换,转化到[-1,1]空间;
将变换后的矩阵作为卷积神经网络的输入数据,依据公式
确定每层神经网络的数值,其中l表示卷积神经网络的层数,j表示该层网络卷积后的层数,f表示该层网络卷积前的层数,为各层输入数据,第一层为转换后的目标信息矩阵,其他层为上一层的输出数据,为多尺度卷积核,bl为偏置,随机初始化,σ为激活函数,T代表池化。
5.根据权利要求4所述的方法,其特征在于,依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为包括:
依据深层卷积神经网络算法对所述目标信息矩阵进行分析,依据分析结果和预设传感动作确定传感行为。
6.一种传感行为识别装置,其特征在于,包括:
传感信息获取模块,用于获取通过红外传感装置采集到的传感信息,所述红外传感装置由在不同采集点设置的传感器阵列组成;
目标信息矩阵确定模块,用于依据所述传感信息构建目标信息矩阵,所述目标信息矩阵用于表示所述传感器阵列在不同时间点确定的传感数据;
传感行为分析确定模块,用于依据深层卷积神经网络算法对所述目标信息矩阵进行分析,确定传感行为。
7.根据权利要求6所述的装置,其特征在于,所述采集点均匀分布在物理空间中,所述传感器阵列在每个采集点中依据预设间隔设置,所述传感器阵列由六个二进制红外传感器组成。
8.根据权利要求6所述的装置,其特征在于,所述目标信息矩阵确定模块具体用于:
通过差值算法得到传感信息的校正数据,依据所述校正数据构建目标信息矩阵;所述目标信息矩阵为三维矩阵,所述三维矩阵的行为不同时间点对应的传感数据,列为不同的采集点对应的传感数据,层数为不同高度的传感器阵列采集到的传感数据。
9.根据权利要求6或8所述的装置,其特征在于,所述传感行为分析确定模块具体用于:
依据公式xjmax=max(xji),i=1,2,...,r×c及xjmin=min(xji),i=1,2,...,r×c分别确定所述目标矩阵中数据的最大值与最小值,其中j为所述目标矩阵的层数,r为所述目标矩阵的行数,c为所述目标矩阵的列数;
依据公式将所述目标矩阵进行矩阵变换,转化到[-1,1]空间;
将变换后的矩阵作为卷积神经网络的输入数据,依据公式
确定每层神经网络的数值,其中l表示卷积神经网络的层数,j表示该层网络卷积后的层数,f表示该层网络卷积前的层数,为各层输入数据,第一层为转换后的目标信息矩阵,其他层为上一层的输出数据,为多尺度卷积核,bl为偏置,随机初始化,σ为激活函数,T代表池化。
10.根据权利要求9所述的装置,其特征在于,所述传感行为分析确定模块具体用于:
依据深层卷积神经网络算法对所述目标信息矩阵进行分析,依据分析结果和预设传感动作确定传感行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611024234.5A CN106446876B (zh) | 2016-11-17 | 2016-11-17 | 一种传感行为识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611024234.5A CN106446876B (zh) | 2016-11-17 | 2016-11-17 | 一种传感行为识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106446876A true CN106446876A (zh) | 2017-02-22 |
CN106446876B CN106446876B (zh) | 2019-10-18 |
Family
ID=58220537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611024234.5A Active CN106446876B (zh) | 2016-11-17 | 2016-11-17 | 一种传感行为识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446876B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966447A (zh) * | 2017-11-14 | 2018-04-27 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
CN108764059A (zh) * | 2018-05-04 | 2018-11-06 | 南京邮电大学 | 一种基于神经网络的人体行为识别方法及*** |
CN109009013A (zh) * | 2018-06-25 | 2018-12-18 | 彭礼烨 | 智能手环 |
CN109768944A (zh) * | 2018-12-29 | 2019-05-17 | 苏州联讯仪器有限公司 | 一种基于卷积神经网络的信号调制码型识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353876A (zh) * | 2015-11-09 | 2016-02-24 | 深圳市云腾智慧科技有限公司 | 一种基于多点光感的空间手势识别控制***及方法 |
CN105868779A (zh) * | 2016-03-28 | 2016-08-17 | 浙江工业大学 | 一种基于特征增强和决策融合的行为识别方法 |
-
2016
- 2016-11-17 CN CN201611024234.5A patent/CN106446876B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353876A (zh) * | 2015-11-09 | 2016-02-24 | 深圳市云腾智慧科技有限公司 | 一种基于多点光感的空间手势识别控制***及方法 |
CN105868779A (zh) * | 2016-03-28 | 2016-08-17 | 浙江工业大学 | 一种基于特征增强和决策融合的行为识别方法 |
Non-Patent Citations (2)
Title |
---|
刘琮,许维胜,***: "时空域深度卷积神经网络及其在行为识别上的应用", 《计算机科学》 * |
徐川龙,顾勤龙,姚明海: "一种基于三维加速度传感器的人体行为识别方法", 《计算机***应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966447A (zh) * | 2017-11-14 | 2018-04-27 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
CN108764059A (zh) * | 2018-05-04 | 2018-11-06 | 南京邮电大学 | 一种基于神经网络的人体行为识别方法及*** |
CN108764059B (zh) * | 2018-05-04 | 2021-01-01 | 南京邮电大学 | 一种基于神经网络的人体行为识别方法及*** |
CN109009013A (zh) * | 2018-06-25 | 2018-12-18 | 彭礼烨 | 智能手环 |
CN109768944A (zh) * | 2018-12-29 | 2019-05-17 | 苏州联讯仪器有限公司 | 一种基于卷积神经网络的信号调制码型识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106446876B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Phyo et al. | Deep learning for recognizing human activities using motions of skeletal joints | |
CN106682697A (zh) | 一种基于卷积神经网络的端到端物体检测方法 | |
CN106446876A (zh) | 一种传感行为识别方法和装置 | |
Haque et al. | Towards viewpoint invariant 3d human pose estimation | |
Wang et al. | Road network extraction: A neural-dynamic framework based on deep learning and a finite state machine | |
CN104978580B (zh) | 一种用于无人机巡检输电线路的绝缘子识别方法 | |
CN104038738B (zh) | 一种提取人体关节点坐标的智能监控***及方法 | |
CN105095833B (zh) | 用于人脸识别的网络构建方法、识别方法及*** | |
CN107657226B (zh) | 一种基于深度学习的人数估计方法 | |
CN109409371A (zh) | 用于图像的语义分割的***和方法 | |
CN103605952B (zh) | 基于拉普拉斯正则组稀疏的人体行为识别方法 | |
CN107330357A (zh) | 基于深度神经网络的视觉slam闭环检测方法 | |
CN105405133B (zh) | 一种遥感影像变化检测方法 | |
CN102360494B (zh) | 一种多前景目标交互式图像分割方法 | |
CN105678284A (zh) | 一种固定位人体行为分析方法 | |
Cai et al. | Fast mining of a network of coevolving time series | |
CN104933417A (zh) | 一种基于稀疏时空特征的行为识别方法 | |
CN111476188B (zh) | 基于特征金字塔的人群计数方法、***、介质及电子设备 | |
CN109344822B (zh) | 一种基于长短期记忆网络的场景文本检测方法 | |
CN107423721A (zh) | 人机交互动作检测方法、装置、存储介质及处理器 | |
CN105787490A (zh) | 基于深度学习的商品潮流识别方法及装置 | |
CN103034860A (zh) | 基于sift特征的违章建筑检测方法 | |
CN107451565A (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN113111767A (zh) | 一种基于深度学习3d姿态评估的跌倒检测方法 | |
CN104050685A (zh) | 基于粒子滤波视觉注意力模型的运动目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |