1.一种基于局部误差的逐层卷积神经网络训练的人体姿态识别方法,其特征在于:包括如下步骤:
s1、获取人体姿态数据,进行降噪、归一化处理;
s2、将处理后数据送入卷积神经网络模型进行逐层训练,对人体姿态进行分类识别,当识别结果符合准确率要求时,输出模型;
s3、利用训练好的模型对待识别的人体姿态数据进行分类识别;
其中所述卷积神经网络模型在训练时截断全局误差及反向梯度流回传,利用局部误差模型替代全局误差函数,根据前向梯度流的逐层误差更新当前网络参数,实现逐层训练。
2.根据权利要求1所述的人体姿态识别方法,其特征在于:所述步骤s1中利用移动传感器采集人体姿态数据,记录不同肢体动作下的传感器数据,对每种活动类型打上相应标签,利用下采样降噪,利用零中心化处理方法归一化,作为模型的输入数据。
3.根据权利要求1所述的人体姿态识别方法,其特征在于:所述步骤s2中卷积神经网络模型中包括输入层、三层前向传播卷积层、全连接层,在三层前向传播卷积层之间应用局部误差模型,获取逐层误差,更新当前层网络参数,所述局部误差模型包括一卷积层、一池化层和全连接层。
4.根据权利要求3所述的人体姿态识别方法,其特征在于:所述局部误差模型由两部分局部误差函数构成,分别为相似度匹配函数和预测误差函数,两个局部误差函数通过权重联合参数结合,形式如下:
lsp=αls+(1-α)lp
lsp表示最终的局部误差函数,ls表示相似度匹配函数,lp表示预测误差函数,α为权重参数,其中,
ls=||s(c(x;w))-s(y)||2
lp=crossentropy(y,wtx)
矩阵x是前向流的卷积层输出,符号c表示进行卷积操作,符号y表示标签矩阵,s表示自适应余弦相似度匹配函数,符号w为局部误差模型卷积层的权重参数,w表示局部误差模型全连接层的权重参数。
5.根据权利要求1所述的人体姿态识别方法,其特征在于:所述步骤s3还包括将获得的神经网络模型移植于移动智能终端,对移动智能终端的传感器获取的人体姿态数据进行分类识别。
6.一种基于局部误差的逐层卷积神经网络训练的人体姿态识别装置,其特征在于:包括数据采集模块、模型训练模块和姿态识别模块;
所述数据采集模块用于获取人体姿态数据,进行降噪、归一化处理;
所述模型训练模块用于将处理后数据送入卷积神经网络模型进行逐层训练,对人体姿态进行分类识别,当识别结果符合准确率要求时,输出模型;
所述姿态识别模块利用训练好的模型对待识别的人体姿态数据进行分类识别;
其中所述卷积神经网络模型在训练时截断全局误差及反向梯度流回传,利用局部误差模型替代全局误差函数,根据前向梯度流的逐层误差更新当前网络参数,实现逐层训练。
7.根据权利要求6所述的人体姿态识别装置,其特征在于:所述数据采集模块采用移动传感器采集人体姿态数据,记录不同肢体动作下的传感器数据,对每种活动类型打上相应标签,利用下采样降噪,利用零中心化处理方法归一化,作为模型的输入数据。
8.根据权利要求6所述的人体姿态识别装置,其特征在于:所述卷积神经网络模型包括输入层、三层前向传播卷积层、全连接层,在三层前向传播卷积层之间应用局部误差模型,获取逐层误差,更新当前网络参数,所述局部误差模型包括一卷积层、一池化层和全连接层。
9.根据权利要求8所述的人体姿态识别装置,其特征在于:所述模型训练模块中局部误差模型由两部分局部误差函数构成,分别为相似度匹配函数和预测误差函数,两个局部误差函数通过权重联合参数结合,形式如下:
lsp=αls+(1-α)lp
lsp表示最终的局部误差函数,ls表示相似度匹配函数,lp表示预测误差函数,α为权重参数,其中,
ls=||s(c(x;w))-s(y)||2
lp=crossentropy(y,wtx)
矩阵x是前向流的卷积层输出,符号c表示进行卷积操作,符号y表示标签矩阵,s表示自适应余弦相似度匹配函数,符号w为局部误差模型卷积层的权重参数,w表示局部误差模型全连接层的权重参数。
10.一种智能移动终端,其特征在于,所述智能移动终端集成了如权利要求5-9中任一项所述的人体姿态识别装置。