申请/专利权人：合肥工业大学

申请日：2024-03-27

公开（公告）日：2024-06-21

公开（公告）号：CN118230416A

主分类号：G06V40/20

分类号：G06V40/20;G06V10/764;G06V10/774;G06V10/771;G06V10/74

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明公开了一种领域因素解缠的跨域CSI人体动作识别方法，其步骤包括：1、采集CSI动作样本数据；2、对采集的CSI数据进行预处理；3、构建领域因素解缠网络提取CSI样本中的多种领域因素的独立特征并分离动作特征中的无关领域因素；4、构建自适应分类模块；5、将分离后的动作特征输入到分类器模块进行特征更新以及动作识别。本发明基于领域因素解缠和测试时间自适应技术实现人体动作识别，能够有效适应不同的识别场景，从而能提高在任意位置、方向、人员身份、环境下的动作识别准确率。

主权项：1.一种领域因素解缠的跨域CSI人体动作识别方法，其特征在于，是按如下步骤进行：步骤1、构建DFS样本数据集D＝{X,Y}，其中，X表示样本集合，Y表示标签集，令X中第i个DFS动作样本记为xi，i∈[1,N]，Y中第i个标签记为yi，且yia表示xi的动作种类标签，yip表示xi的采集位置标签，yio表示xi的采集方向标签，yiu表示xi的人员身份标签，yie表示xi的实验场景标签；步骤2、构建领域因素解缠网络，包括：编码器模块，解缠器模块，鉴别器模块，重组器模块；步骤2.1、所述编码器模块对所述第i个DFS动作样本xi进行特征提取，得到xi的原始特征Fib；步骤2.2、所述解缠器模块对所述原始特征Fib进行特征提取，从而得到xi的动作特征Fia，位置特征Fip，方向特征Fio，人员身份特征Fiu，环境特征Fie；记xi的第j个独立特征为Fij，j∈{a,p,o,u,e}表示不同的属性，包括：动作、位置、方向、人员、环境；步骤2.3、利用式1构建三元组损失Lt： 式1中，Fipos表示样本集X中的其他DFS动作样本所对应的第j个独立特征中，与Fij之间的距离最大的独立特征，Fineg表示X中的其他DFS动作样本所对应的除第j个以外的特征中，与Fij之间的距离最小的独立特征；步骤2.4、所述鉴别器模块对Fij进行处理，并输出对应的预测概率标签利用式2构建交叉熵损失Ld： 步骤2.5、所述重组器模块对Fia、Fip、Fio、Fiu、Fie进行处理，并输出xi的重组特征利用式3构建重组损失Lr： 步骤3、构建总损失Loss＝αLd+βLr+γLt，其中，α，β，γ为三个权重因子；步骤4、通过梯度下降算法训练领域因素解缠网络，直到Loss收敛为止，从而得到训练好的人体动作识别模型；步骤5、构建由KNN分类器和特征存储器构成的自适应分类模块，并基于Fia以及xi的动作种类标签对测试DFS动作样本进行预测，得到动作种类的预测标签

全文数据：

权利要求：

百度查询： 合肥工业大学 一种领域因素解缠的跨域CSI人体动作来识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD