一種傳感行為識別方法和裝置與流程

本發明實施例涉及行為識別技術，尤其涉及一種傳感行為識別方法和裝置。

背景技術：

人體行為識別技術主要通過攝像頭、傳感器等設備采集一定時間段內人體活動的數據信息，并通過算法實現人體行為的智能識別。目前，人體行為識別技術與智能家居等智能化產業聯系密切。人體行為信息的采集方案多種多樣，可分為通過攝像頭的圖像采集方案、可穿戴傳感器采集方案、被動式傳感器采集方案。

現有技術中，基于攝像頭信息采集的人體行為識別，要求多組攝像頭連續采集，數據量較大，成本較高，且考慮到隱私的因素，在家居生活中侵入感較強。可穿戴傳感器不受光照變化的影響，但穿戴不方便，用戶體驗較差。被動式紅外傳感器相對攝像頭對光照變化更具魯棒性，但不夠靈活，對較復雜的行為識別效果較差。同時，運用幾何邏輯識別人體行為的方法因其簡單、高效、適應性好等優點在產品市場中應用較多，但難以滿足相對復雜的行為識別需求。貝葉斯人體識別方法需要數據量小、理論完善，適用于傳感器人體識別，但是針對連續時間內復雜行為和難以描述的相似行為識別效果較差。卷積神經網絡的方法識別效果較好，但依賴于采集的數據，通常應用于基于攝像頭的計算機視覺行為識別。

技術實現要素：

本發明提供一種傳感行為識別方法和裝置，實現了計算數據量少、非侵入式、成本低、體積小的人體行為識別，提高了識別準確率。

第一方面，本發明實施例提供了一種傳感行為識別方法，其特征在于，包括：

獲取通過紅外傳感裝置采集到的傳感信息，所述紅外傳感裝置由在不同采集點設置的傳感器陣列組成；

依據所述傳感信息構建目標信息矩陣，所述目標信息矩陣用于表示所述傳感器陣列在不同時間點確定的傳感數據；

依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，確定傳感行為。

優選的是，所述采集點均勻分布在物理空間中，所述傳感器陣列在每個采集點中依據預設間隔設置，所述傳感器陣列由六個二進制紅外傳感器組成。

在上述任一方案中，優選的是，所述依據所述傳感信息構建目標信息矩陣包括：

通過差值算法得到傳感信息的校正數據，依據所述校正數據構建目標信息矩陣；所述目標信息矩陣為三維矩陣，所述三維矩陣的行(第1維)為不同時間點對應的傳感數據，列(第2維)為不同的采集點對應的傳感數據，層數(第3維)為不同高度的傳感器陣列采集到的傳感數據。

在上述任一方案中，優選的是，所述依據深層卷積神經網絡算法對所述目標信息矩陣進行分析包括：

依據公式x_{j max}＝max(x_ji),i＝1,2,...,r×c及x_{j min}＝min(x_ji),i＝1,2,...,r×c分別確定所述目標矩陣中數據的最大值與最小值，其中j為所述目標矩陣的層數，r為所述目標矩陣的行數，c為所述目標矩陣的列數；

依據公式將所述目標矩陣進行矩陣變換，轉化到[-1,1]空間；

將變換后的矩陣作為卷積神經網絡的輸入數據，依據公式

確定每層神經網絡的數值，其中l表示卷積神經網絡的層數，j表示該層網絡卷積后的層數，f表示該層網絡卷積前的層數，為各層輸入數據，第一層為轉換后的目標信息矩陣，其他層為上一層的輸出數據，為多尺度卷積核，b^l為偏置，隨機初始化，σ為激活函數，T代表池化。

在上述任一方案中，優選的是，依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，確定傳感行為包括：

依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，依據分析結果和預設傳感動作確定傳感行為。

第二方面，本發明實施例還提供了一種傳感行為識別裝置，包括：

傳感信息獲取模塊，用于獲取通過紅外傳感裝置采集到的傳感信息，所述紅外傳感裝置由在不同采集點設置的傳感器陣列組成；

目標信息矩陣確定模塊，用于依據所述傳感信息構建目標信息矩陣，所述目標信息矩陣用于表示所述傳感器陣列在不同時間點確定的傳感數據；

傳感行為分析確定模塊，用于依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，確定傳感行為。

優選的是，所述采集點均勻分布在物理空間中，所述傳感器陣列在每個采集點中依據預設間隔設置，所述傳感器陣列由六個二進制紅外傳感器組成。

在上述任一方案中，優選的是，所述目標信息矩陣確定模塊具體用于：

通過差值算法得到傳感信息的校正數據，依據所述校正數據構建目標信息矩陣；所述目標信息矩陣為三維矩陣，所述三維矩陣的行為不同時間點對應的傳感數據，列為不同的采集點對應的傳感數據，層數為不同高度的傳感器陣列采集到的傳感數據。

在上述任一方案中，優選的是，所述傳感行為分析確定模塊具體用于：

依據公式x_{j max}＝max(x_ji),i＝1,2,...,r×c及x_{j min}＝min(x_ji),i＝1,2,...,r×c分別確定所述目標矩陣中數據的最大值與最小值，其中j為所述目標矩陣的層數，r為所述目標矩陣的行數，c為所述目標矩陣的列數；

依據公式將所述目標矩陣進行矩陣變換，轉化到[-1,1]空間；

將變換后的矩陣作為卷積神經網絡的輸入數據，依據公式

確定每層神經網絡的數值，其中l表示卷積神經網絡的層數，j表示該層網絡卷積后的層數，f表示該層網絡卷積前的層數，為各層輸入數據，第一層為轉換后的目標信息矩陣，其他層為上一層的輸出數據，為多尺度卷積核，b^l為偏置，隨機初始化，σ為激活函數，T代表池化。

在上述任一方案中，優選的是，所述傳感行為分析確定模塊具體用于：

依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，依據分析結果和預設傳感動作確定傳感行為。

本發明通過獲取通過紅外傳感裝置采集到的傳感信息，所述紅外傳感裝置由在不同采集點設置的傳感器陣列組成；依據所述傳感信息構建目標信息矩陣，所述目標信息矩陣用于表示所述傳感器陣列在不同時間點確定的傳感數據；依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，確定傳感行為，解決現有技術中在識別傳感行為是成本較高、效果較差的問題，實現了計算數據量少、非侵入式、成本低、體積小的人體行為識別，提高了識別準確率。

附圖說明

圖1為本發明實施例一提供的傳感行為識別方法的流程圖；

圖2為本發明實施例一提供的采集點的位置示意圖；

圖3為本發明實施例提供的紅外傳感裝置中的一層傳感器陣列采集到的傳感信息示意圖；

圖4為本發明實施例一提供的卷積神經網絡示意圖；

圖5為本發明實施例一提供的卷積運算邊界循環擴展示意圖；

圖6為本發明實施例一提供的卷積神經網絡訓練示意圖；

圖7為本發明實施例一提供的卷積神經網絡訓練單次輸出結果示意圖；

圖8為本發明實施例二提供的傳感行為識別裝置的結構圖。

具體實施方式

下面結合附圖和實施例對本發明作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋本發明，而非對本發明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發明相關的部分而非全部結構。

實施例一

圖1為本發明實施例一提供的傳感行為識別方法的流程圖，本實施例可適用于對人體行為進行識別的情況，該方法可以由計算設備如計算機來執行，具體包括如下步驟：

步驟101、獲取通過紅外傳感裝置采集到的傳感信息，所述紅外傳感裝置由在不同采集點設置的傳感器陣列組成。

其中，紅外傳感裝置指以紅外線作為介質的測量、傳感系統。本方案中在需要確定傳感行為的空間設置有該紅外傳感裝置。示例性的，假設存在一長寬高都是2米的物理空間，此時需要對該空間出現的行為進行識別，可以是對該空間存在的人體的人體行為進行識別。具體的，在該物理空間的每條邊設置兩個采集點，圖2為本發明實施例一提供的采集點的位置示意圖，如圖2所示，采集點1到采集點8均勻分布在物理空間中。該采集點可根據具體的物理空間的不同而適應性設置，本領域技術人員可知，采集點越多得到的采集數據越精準。其中，在每個采集點處的不同高度設置有傳感器陣列，示例性的，每隔25厘米設置一層傳感器陣列，即前述的每個采集點處在不同高度間隔25厘米依次設置有傳感器陣列。每個傳感器陣列由二進制紅外傳感器組成，本方案中，每個傳感器陣列可以包括六個二進制傳感器。其中，每個傳感器陣列可通過這六個二進制傳感器來識別8個方向上是否檢測到傳感數據。圖2中每個采集點處發射的8條直線代表了可檢測到的8個方向上。

具體的，每個傳感器陣列通過六個二進制傳感器識別8個方向上是否檢測到傳感數據可采取如下方法：假定每個二進制傳感器識別到傳感數據則置位為“1”，未識別到則置位為“0”，由于每個傳感器陣列包含六個二進制傳感器，即每個傳感器陣列檢測到的數據可由6位的二進制數組成，如“000111”，其中第一位“0”對應著傳感器陣列中第一個二進制傳感器的采集結果，第二位“0”對應著傳感器陣列中第二個二進制傳感器的采集結果，依次類推；在檢測前，可針對這六位二進制數據進行預編碼，不同的編碼對應著8個方向中的一個方向，編碼方式可采用LDPC(Low Density Parity Check Code，低密度奇偶校驗碼)編碼，示例性的，“00000”代表8個方向中的第一個方向，“010010”代表著8個方向中的第二方向，“101110”代表著8個方向中的第三方向，依次類推；當傳感器陣列中確定的6為二進制數據和預編碼中存有的8個方向對應的六位二進制數據中的一個一致時，則確定該傳感器陣列在該方向上檢測到傳感數據，由此，該紅外傳感裝置即可對物理空間中的傳感行為進行采集。圖3為本發明實施例一提供的紅外傳感裝置中的一層傳感器陣列采集到的傳感信息的示意圖，如圖3所示，示例性的，陣列2和陣列5的編碼對應有預編碼的方向，則可認定陣列2和陣列5在預設的方向上檢測到了傳感數據。

步驟102、依據所述傳感信息構建目標信息矩陣，所述目標信息矩陣用于表示所述傳感器陣列在不同時間點確定的傳感數據。

其中，目標信息矩陣為三維矩陣，所述三維矩陣的行為不同時間點對應的傳感數據，列為不同的采集點對應的傳感數據，層數為不同高度的傳感器陣列采集到的傳感數據。示例性的，不同時間點之間的時間間隔可以是0.3s，即目標信息矩陣的元素代表某一時刻某一節點在某段高度范圍內人體目標分布信息。可選的，因具體物理空間的限制(如某段邊沿不能安裝采集節點等)，可通過差值算法得到傳感信息的校正數據，依據所述校正數據構建目標信息矩陣。具體的，可以是，假設節點A向右移動距離m至點C，節點B位于節點a的左側，且B距A距離為n，則根據點A和C處的數據a、c可以得到點B(未移動前原始節點)的數據

可選的，為了提高紅外傳感裝置采集數據的精確度，可求各節點傳感器陣列采集到的6位數據在相鄰時間內變化的總數，如某一節點的一個傳感器陣列在某時刻采集的數據為“110010”，假設該傳感器陣列在上時刻數據為“001011”，則當前時刻下發生變化的有4位，依次統計各節點(每個節點包含8個傳感器陣列)采集到的數據在總時間段內發生變化的總位數，并依照大小依次排序，將序號減一作為此節點數據的高位，如上述舉例的節點變化的總位數排在第4位，則該時刻上述舉例的傳感器陣列的數據變為“011 110010”，由于該數據體現了傳感器陣列采集的時序性，減小了測量誤差。

步驟103、依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，確定傳感行為。

示例性的，采用3層卷積網絡，每層卷積核結構如圖4所示，圖4為本發明實施例一提供的卷積神經網絡示意圖，其中，最大卷積核尺寸kernelsize＝3。圖5為本發明實施例一提供的卷積運算邊界循環擴展示意圖，如圖5所示為卷積運算邊界循環擴展pad＝1的示意結果。可選的，依據公式x_{j max}＝max(x_ji),i＝1,2,...,r×c及x_{j min}＝min(x_ji),i＝1,2,...,r×c分別確定所述目標矩陣中數據的最大值與最小值，其中j為所述目標矩陣的層數，r為所述目標矩陣的行數，c為所述目標矩陣的列數；

依據公式將所述目標矩陣進行矩陣變換，轉化到[-1,1]空間；

將變換后的矩陣作為卷積神經網絡的輸入數據，依據公式

確定每層神經網絡的數值，其中l表示卷積神經網絡的層數，j表示該層網絡卷積后的層數，f表示該層網絡卷積前的層數，為各層輸入數據，第一層為轉換后的目標信息矩陣，其他層為上一層的輸出數據，為多尺度卷積核，b^l為偏置，隨機初始化，σ為激活函數，T代表池化。

本方法中通過對每個卷積層計算結果h^(l)進行插值實現，在卷積神經網絡的訓練過程中，首先訓練卷積層1得到8*8*32矩陣，訓練池化層1得到6*6*32的矩陣，再同樣應用上述公式訓練卷積層2和池化層2，得到4*4*64的矩陣，再同樣經過卷積層3和池化層3得到2*2*32的矩陣，然后訓練全連接層，全連接層與卷積層相似，kernelsize改為1，pad＝0，再采用softmax-Loss損失函數求訓練誤差，然后將誤差反向傳播更新和b^l，重復迭代訓練8000次，和b^l趨近不變。圖6為本發明實施例一提供的卷積神經網絡訓練示意圖，如圖6所示，假設把左邊的8*8矩陣按每大格2*2來分，那可分為4*4個大格A_ij，i表示行數，j表示列數，然后由圖所示，根據A₁₁、A₁₂、A₂₁、A₂₂這四個大格得到右邊矩陣左上方的4個小格b₁₁、b₁₂、b₂₁、b₂₂，依次類推，根據A₁₂、A₁₃、A₂₂、A₂₃得到b₁₃、b₁₄、b₂₃、b₂₄，直到根據A₃₃、A₃₄、A₄₃、A₄₄得到b₅₅、b₅₆、b₆₅、b₆₆。

本步驟中，依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，確定傳感行為包括：依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，依據分析結果和預設傳感動作確定傳感行為。示例性的，可根據人體活動的分類進行預設傳感動作的設定，動作可以是系鞋帶、坐姿伸懶腰、慢跑、擦鞋、坐姿擴胸運動、原地小跳等。

具體的，輸入數據為：依據公式變換后的8*8*8目標信息矩陣I。

1)卷積層1：由xavier方法初始化32個卷積核K_j，使用圖5所示的邊界擴充方法，由下述公式得出32個對應的8*8特征圖c⁽¹⁾。

其中，j為1,2,...,32；f為1,2,....,8。

2)Tanh層1：根據tanh函數進行非線性變化。

3)池化層1：根據圖6所示方法將8*8*32矩陣變換為6*6*32矩陣。

4)正則化層1：依據公式將池化層輸出數據變換到[-1,1]范圍內，得到矩陣n⁽¹⁾，x為矩陣中的元素。

5)卷積層2：由xavier方法初始化64個卷積核K_j，使用圖5所示的邊界擴充方法，輸入為正則化層1輸出的6*6*32矩陣，由下述公式得出64個對應的6*6特征圖c⁽²⁾。

其中，j為1,2,...,64；f為1,2,....,32。

6)Tanh層2：根據tanh函數進行非線性變化。

7)池化層2：根據圖6所示方法將6*6*64矩陣變換為4*4*64矩陣。

8)正則化層2：依據公式將池化層輸出數據變換到[-1,1]范圍內，得到矩陣n⁽²⁾，x為矩陣中的元素。

9)卷積層3：由xavier方法初始化32個卷積核K_j，使用圖5所示的邊界擴充方法，輸入為正則化層2輸出的4*4*64矩陣，由下述公式得出32個對應的4*4特征圖c⁽³⁾。

其中，j為1,2,...,32；f為1,2,....,64。

10)Tanh層3：根據tanh函數進行非線性變化。

11)池化層3：根據圖6所示方法將4*4*64矩陣變換為2*2*32矩陣。

12)正則化層3：依據公式將池化層輸出數據變換到[-1,1]范圍內，得到矩陣n⁽³⁾，x為矩陣中的元素。

13)輸出層：輸出的行為類別O_i＝Σwx⁽³⁾，i為類別數，由求softmax損失函數為的元素，x⁽³⁾為的元素，w為初始化權重。

14)通過求導的方式求出各層參數和卷積核的變化值，更新各層參數。

15)輸入新的數據和標簽，重復進行1)到14)步驟，訓練8000次，使參數趨于不變。

通過上述算法，最終輸出結果如圖7所示，圖7為本發明實施例一提供的卷積神經網絡訓練單次輸出結果示意圖，其中，橫坐標為預設的6中可識別的行為，示例性的，1表示系鞋帶；2表示伸懶腰；3表示慢跑；4表示擦鞋；5表示擴胸運動；6表示原地跳躍。相應的，縱坐標為對應類別的識別概率，由于有的類別動作相似度較高，一個動作可能識別為不同的行為，此時取概率最高的時間對應的類別為最終識別出的行為，如圖所示第2類別的概率最高，則通過本算法確定出的行為“伸懶腰”動作。

本實施例的技術方案，通過獲取通過紅外傳感裝置采集到的傳感信息，所述紅外傳感裝置由在不同采集點設置的傳感器陣列組成；依據所述傳感信息構建目標信息矩陣，所述目標信息矩陣用于表示所述傳感器陣列在不同時間點確定的傳感數據；依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，確定傳感行為，解決現有技術中在識別傳感行為是成本較高、效果較差的問題，實現了計算數據量少、非侵入式、成本低、體積小的人體行為識別，提高了識別準確率。

實施例二

圖8為本發明實施例二提供的傳感行為識別裝置的結構圖，具體包括如下：

傳感信息獲取模塊201，用于獲取通過紅外傳感裝置采集到的傳感信息，所述紅外傳感裝置由在不同采集點設置的傳感器陣列組成；

目標信息矩陣確定模塊202，用于依據所述傳感信息構建目標信息矩陣，所述目標信息矩陣用于表示所述傳感器陣列在不同時間點確定的傳感數據；

傳感行為分析確定模塊203，用于依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，確定傳感行為。

本實施例的技術方案，通過獲取通過紅外傳感裝置采集到的傳感信息，所述紅外傳感裝置由在不同采集點設置的傳感器陣列組成；依據所述傳感信息構建目標信息矩陣，所述目標信息矩陣用于表示所述傳感器陣列在不同時間點確定的傳感數據；依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，確定傳感行為，解決現有技術中在識別傳感行為是成本較高、效果較差的問題，實現了計算數據量少、非侵入式、成本低、體積小的人體行為識別，提高了識別準確率。

在上述技術方案的基礎上，所述采集點均勻分布在物理空間中，所述傳感器陣列在每個采集點中依據預設間隔設置，所述傳感器陣列由六個二進制紅外傳感器組成。

在上述技術方案的基礎上，所述目標信息矩陣確定模塊具體用于：

通過差值算法得到傳感信息的校正數據，依據所述校正數據構建目標信息矩陣；所述目標信息矩陣為三維矩陣，所述三維矩陣的行為不同時間點對應的傳感數據，列為不同的采集點對應的傳感數據，層數為不同高度的傳感器陣列采集到的傳感數據。

在上述技術方案的基礎上，所述傳感行為分析確定模塊具體用于：

依據公式x_{j max}＝max(x_ji),i＝1,2,...,r×c及x_{j min}＝min(x_ji),i＝1,2,...,r×c分別確定所述目標矩陣中數據的最大值與最小值，其中j為所述目標矩陣的層數，r為所述目標矩陣的行數，c為所述目標矩陣的列數；

依據公式將所述目標矩陣進行矩陣變換，轉化到[-1,1]空間；

將變換后的矩陣作為卷積神經網絡的輸入數據，依據公式

確定每層神經網絡的數值，其中l表示卷積神經網絡的層數，j表示該層網絡卷積后的層數，f表示該層網絡卷積前的層數，為各層輸入數據，第一層為轉換后的目標信息矩陣，其他層為上一層的輸出數據，為多尺度卷積核，b^l為偏置，隨機初始化，σ為激活函數，T代表池化。

在上述技術方案的基礎上，所述傳感行為分析確定模塊具體用于：

依據深層卷積神經網絡算法對所述目標信息矩陣進行分析，依據分析結果和預設傳感動作確定傳感行為。

上述產品可執行本發明實施例一所提供的方法，具備執行方法相應的功能模塊和有益效果。

注意，上述僅為本發明的較佳實施例及所運用技術原理。本領域技術人員會理解，本發明不限于這里所述的特定實施例，對本領域技術人員來說能夠進行各種明顯的變化、重新調整和替代而不會脫離本發明的保護范圍。因此，雖然通過以上實施例對本發明進行了較為詳細的說明，但是本發明不僅僅限于以上實施例，在不脫離本發明構思的情況下，還可以包括更多其他等效實施例，而本發明的范圍由所附的權利要求范圍決定。