[发明专利]一种基于神经网络的人体行为识别方法及系统

摘要

本发明公开一种基于神经网络的人体行为识别方法，解决穿戴式传感器数据的人体行为识别准确度不够高的问题。本发明首先通过穿戴式图像传感器采集的图像信息采用了灰度化处理，再对图像数据进行直方图均衡化处理，使用LSTM‑RNN神经网络算法对处理后的传感器的图像信息进行场景识别。对于穿戴式运动传感器的运动数据输入，使用LSTM‑RNN神经网络算法运动传感器的加速度信息进行动作识别。并将使用场景标记的运动序列在行为数据库中进行匹配，得到具体的行为信息。使用警报模块通知用户紧急信息。本发明通过这些方法的应用与系统中配套模块的支持对人体穿戴传感器数据完成行为识别，能够提高人体行为识别的准确性与稳定性，具有良好的实施性与实效性。

主权项

1.一种基于神经网络的人体行为识别方法，其特征在于采用多传感器多模块，包括以下步骤：步骤1)通过开启被监测者穿戴的图像传感模块，获取以穿戴者为中心的连续图像信息，其中图像处理为n*m区域上的信息，其中n为图像横向每行像素数，m为图像纵向每列像素数；步骤2)通过开启被监测者穿戴的运动传感模块，获取记录穿戴者运动信息的x轴加速度、y轴加速度与z轴加速度信息，其中x轴为人体竖直方向垂直且正轴指向前方，y轴与人体竖直方向平行且正轴指向头部，z轴为人体竖直方向垂直且正轴指向人体左侧；步骤3)场景识别模块接收来自图像传感器的信息，将接收的n*m像素区域的图像信息，将原始图像进行图像灰度化与均衡化，降低传入图像的误差与扰动。将灰度化与均衡化处理后的n*m像素区域图像信息作为神经网络的输入，利用基于长短时记忆递归神经网络LSTM‑RNN进行场景分类；步骤4)动作评估模块接收来自运动传感器信息，将接收的穿戴者运动信息的x轴加速度、y轴加速度与z轴加速度存储为三维向量组V＝{(x1,y1,z1),(x2,y2,z2),...,(xn,yn,zn)}；定义tm为时间粒度，取tm时间内的三维向量组作为神经网络的输入，利用受运动数据集训练的，基于长短时记忆递归神经网络LSTM‑RNN进行动作评估，获得该时间粒度内的原子动作；步骤5)微智能服务器模块接收来自场景识别模块和动作评估模块的信息，将二者整合后，进行行为识别；取km个连续的原子动作，即以kmtm为识别时间单位，以场景元素为标签，检索运动信息数据库中的子表，进行模糊匹配，若匹配成功，则将行为识别结果返回给微智能服务器；步骤6)微智能服务器模块按照用户设置，将行为识别模块的行为识别结果分类，按照用户的使用需求与设置，识别当前发生的动作是否达到警告级别；如果事件达到警告级别，微智能服务器会发送告警命令传递给警告模块；警告模块通过一种或多种方式对用户发出警告；步骤7)系统界面是用户对系统调整和设置的入口，用户可通过该界面设置具体的服务器配置，将图像传感器、运动传感器绑定至系统；监视与观察系统的运行状态，设置系统的运行模式；步骤8)运行记录模块监控并记录微智能服务器的所有运行状态，对系统运行过程的不同级别警告信息进行记录，将运行记录通过关系型数据库进行存储，用户通过系统界面查询运行记录模块的数据，对系统进行维护。