申请/专利权人：南京邮电大学

申请日：2022-03-21

公开（公告）日：2024-06-28

公开（公告）号：CN114626419B

主分类号：G06V40/20

分类号：G06V40/20;G06F18/10;G06F18/214;G06F18/25;G06N3/0464;G06F18/24;H04B17/309;G06V10/774;G06V10/80;G06V10/82;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.07.01#实质审查的生效;2022.06.14#公开

摘要：本发明公开了一种基于WIFI中信道状态信息和改进卷积神经网络的动作识别方法，具体步骤为：数据采集、数据预处理、构建改进sha‑CNN，并加入批正则化机制，并对训练集进行特征提取、利用加入批正则化机制的改进sha‑CNN进行动作分类模型训练。本发明在改进sha‑CNN的卷积层内融入批正则化机制，以加快网络收敛的速度，防止训练数据和测试数据的分布不同引起的泛化性能下降问题，在提升人体动作识别精度的前提下，最大限度地通过降低数据维度，压缩网络模型的方式降低计算成本，提高人体动作识别速度。

主权项：1.一种基于WIFI中信道状态信息和改进卷积神经网络的动作识别方法，其特征在于：包括如下步骤：步骤1，数据采集：在室内稀疏环境中采集人体动作WI-FI信号，接收端采集信道状态信息；步骤2，数据预处理：提取人体动作WI-FI信号中的幅值信息，通过低通滤波器去除烦扰因素产生的高频噪声，再利用基于阈值的方法进行有效数据的提取，并通过滑窗采样统一数据尺寸，同时加注标签，后划分训练集和测试集；步骤3，构建改进sha-CNN，并加入批正则化机制，对训练集进行特征提取，采用了局部特征融合策略，来获得人体动作图像的全局特征；局部特征融合策略具体操作为：将提取的动作特征拆解为两个或多个独立动作，将独立动作的参数模型各自的模态特征导入Mix模块，Mix模块对独立动作的参数模型的特征参数进行混合特征参数运算，公式为： ；其中，是Mix模型第层的权重因子，是动作模型第层的第k个动作的动作特征参数，是的权重因子，n为动作模型分类的类别数；步骤4，利用改进sha-CNN进行动作分类模型训练，输入测试集进行动作分类预测，根据实际动作分类比对预测标签；步骤4中改进sha-CNN包括卷积、池化和非线性层，批正则化机制加入在卷积层中；卷积层的大小为1×1、深度为n、对conv1、conv2采用3×3尺寸的卷积核，步长为2，池化层尺寸采用2×2，步长移动设置为2；conv3卷积核尺寸设为2×20，设置垂直方向卷积步长为20，水平方向卷积步长为1，池化层尺寸设为2×10，步长设为1。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于WIFI中信道状态信息和改进卷积神经网络的动作识别方法

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