本申请涉及人体行为识别,具体涉及一种人体行为识别方法与装置。
背景技术:
1、基于传感器的人体行为识别是指利用特殊的设备来监控和分析人类在特定环境下的行为模式,以达到人机交互、安全监控、智能家居和医疗健康管理等目的,从而为人类的日常生活提供方便和安全保障,提升生活质量。传统的机器学习方法在一些人体行为识别的场景上取得了良好的效果,但也面临一些挑战,这表现在传统机器学习方法往往依赖于手工设计和选择的特征,该过程通常需要具备一定的领域知识,而且繁琐耗时。另一方面,由于受到主观因素的影响,人为设计的特征可能会忽略数据中一些潜在的重要性信息,因而导致了后续分类器表现不佳,泛化能力受限的问题。随着近些年来深度学习技术的飞速发展,越来越多的人体行为识别研究将目光从传统机器学习方法转移到了深度学习方法上。深度学习方法以其自动特征提取的能力而受到关注。这些方法可以从原始传感器数据中学习到最有用的特征,无需人工介入,从而减轻了特征工程的负担。
2、尽管深度学习方法具备一系列的显著优势,其在行为识别任务的表征学习上仍存在一些不足。首先,当前应用于人体行为识别任务上的主流方法为卷积神经网络和循环神经网络,这些方法在传感器数据的表征学习方面存在一定的局限。卷积神经网络由于其卷积核大小固定,感受野有限,因此无法有效的提取全局特征;循环神经网络面临的主要问题是梯度消失和梯度爆炸,尽管诸如长短期记忆网络、门控循环单元等变体循环神经网络在一定程度上缓解了该问题,但循环结构带来的另一个限制是只能串行处理序列数据,造成无法充分利用计算资源、计算效率较低的问题。
技术实现思路
1、本申请提供一种人体行为识别方法、装置、设备及计算机可读存储介质,可以更好的从传感器数据中学习具有判别性的表征,以提升人体行为识别的准确率,具有很好的应用前景。
2、第一方面,本申请实施例提供一种人体行为识别方法,所述方法包括:
3、获取传感器数据,将所述传感器数据通过预处理嵌入到高维空间中,并添加位置信息,得到预处理后的高维空间序列;
4、根据所述高维空间序列通过局部窗口融合输出不同尺度下序列,通过注意力机制在所述不同尺度下序列之间建立信息交互,得到每个尺度对应的表征序列,将所述每个尺度对应的表征序列聚合为总表征序列;
5、将所述总表征序列进行压缩为最终特征向量,根据所述最终特征向量进行行为识别。
6、一些实施例中,所述将所述传感器数据通过预处理嵌入到高维空间中,并添加位置信息,得到预处理后的高维空间序列,包括:
7、根据公式:
8、x=preprocess(u)
9、得到高维空间序列x,其中为输入的传感器数据。
10、一些实施例中,所述根据所述高维空间序列通过局部窗口融合输出不同尺度下序列,包括:
11、根据公式:
12、
13、得到不同尺度的序列{x(1),x(2),…,x(s)},其中,x(i)表示第i个尺度的序列。
14、一些实施例中,所述根据所述高维空间序列通过局部窗口融合输出不同尺度下序列,还包括:
15、根据公式:
16、
17、得到插值结果其中ω为表示窗口大小参数,x(i)表示第i个尺度的序列,l为序列长度;
18、根据公式:
19、
20、得到叠加结采
21、根据公式:
22、
23、得到降维后的序列其中为参数矩阵;
24、根据公式:
25、
26、得到第i+1个尺度的序列x(i+1),其中ln为神经网络中的layernormalization模型。
27、一些实施例中,所述通过注意力机制在所述不同尺度下序列之间建立信息交互,得到每个尺度对应的表征序列,包括:
28、根据公式:
29、
30、
31、得到第i个尺度的键序列k(i)与值序列v(i),其中为第i个尺度上的参数矩阵;
32、根据公式:
33、
34、
35、得到第一尺度的查询序列q(1),其中为注意力函数;
36、根据公式:
37、
38、得到第i个尺度对应的表征序列y(i)。
39、一些实施例中,所述将所述每个尺度对应的表征序列聚合为总表征序列,包括:
40、根据公式:
41、yc=concat(y(1),y(2),…,y(s))
42、得到堆叠结果其中{y(1),y(2),…,y(s)}为s条表征序列集合,l为表征序列的长度,d为表征序列的特征维度;
43、根据公式:
44、yo=relu(bn(conv(yc)))
45、得到总表征序列
46、第二方面,本申请实施例提供了一种人体行为识别装置,所述装置包括:
47、采集单元,其用于获取传感器数据,将所述传感器数据通过预处理嵌入到高维空间中,并添加位置信息,得到预处理后的高维空间序列;
48、处理单元,其用于根据所述高维空间序列通过局部窗口融合输出不同尺度下序列,通过注意力机制在所述不同尺度下序列之间建立信息交互,得到每个尺度对应的表征序列,将所述每个尺度对应的表征序列聚合为总表征序列;
49、识别单元,其用于将所述总表征序列进行压缩为最终特征向量,根据所述最终特征向量进行行为识别。
50、一些实施例中,所述采集单元用于:
51、根据公式:
52、x=preprocess(u)
53、得到高维空间序列x,其中为输入的传感器数据。
54、第三方面,提供一种计算机设备包括:处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现第一方面任意一项所述的方法。
55、第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现第一方面任意一项所述的方法。
56、本申请实施例提供的技术方案带来的有益效果包括:
57、通过获取传感器数据,将所述传感器数据通过预处理嵌入到高维空间中,并添加位置信息,得到预处理后的高维空间序列;根据所述高维空间序列通过局部窗口融合输出不同尺度下序列,通过注意力机制在所述不同尺度下序列之间建立信息交互,得到每个尺度对应的表征序列,将所述每个尺度对应的表征序列聚合为总表征序列;将所述总表征序列进行压缩为最终特征向量,根据所述最终特征向量进行行为识别。可以更好的从传感器数据中学习具有判别性的表征,以提升人体行为识别的准确率。
1.一种人体行为识别方法,其特征在于,所述方法包括:
2.如权利要求1所述的一种人体行为识别方法,其特征在于,所述将所述传感器数据通过预处理嵌入到高维空间中,并添加位置信息,得到预处理后的高维空间序列,包括:
3.如权利要求2所述的一种人体行为识别方法,其特征在于,所述根据所述高维空间序列通过局部窗口融合输出不同尺度下序列,包括:
4.如权利要求3所述的一种人体行为识别方法,其特征在于,所述根据所述高维空间序列通过局部窗口融合输出不同尺度下序列,还包括:
5.如权利要求4所述的一种人体行为识别方法,其特征在于,所述通过注意力机制在所述不同尺度下序列之间建立信息交互,得到每个尺度对应的表征序列,包括:
6.如权利要求5所述的一种人体行为识别方法,其特征在于,所述将所述每个尺度对应的表征序列聚合为总表征序列,包括:
7.一种人体行为识别装置,其特征在于,所述装置包括:
8.如权利要求7所述的一种人体行为识别装置,其特征在于,所述采集单元用于:
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至6中任一项所述的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至6中任一项所述的方法的步骤。