卷積神經(jīng)網(wǎng)絡(luò)分析下的人體行為識(shí)別深度學(xué)習(xí)分析研究

徐正

摘要：在智能技術(shù)的快速發(fā)展下，在人體行為識(shí)別中的應(yīng)用十分廣泛，為不斷提升智能終端識(shí)別的精準(zhǔn)度，可以對(duì)卷積神經(jīng)網(wǎng)絡(luò)分析進(jìn)行合理應(yīng)用，在深度學(xué)習(xí)下，對(duì)原始數(shù)據(jù)進(jìn)行高效的處理。在對(duì)數(shù)據(jù)進(jìn)行處理時(shí)，是通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分析的，識(shí)別的動(dòng)作包括走路、跑步等。本文的研究是建立在對(duì)比試驗(yàn)的基礎(chǔ)上的，通過對(duì)比對(duì)卷積神經(jīng)網(wǎng)絡(luò)識(shí)的別率進(jìn)行分析。深度學(xué)習(xí)是機(jī)器人領(lǐng)域中的重點(diǎn)研究?jī)?nèi)容，而卷積神經(jīng)網(wǎng)絡(luò)識(shí)是深度學(xué)習(xí)中的最佳代表，通過提升識(shí)別率，滿足相關(guān)產(chǎn)品或者行業(yè)的實(shí)際需求。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí);行為識(shí)別;人體行為

引言

由于現(xiàn)代人們?cè)谏钆c工作中的壓力較大，很多人都處于亞健康的狀態(tài)，對(duì)健康的關(guān)注度較高，健康運(yùn)動(dòng)也成為當(dāng)下較為流行的方式。通過運(yùn)動(dòng)管理系統(tǒng)，對(duì)人們每天的運(yùn)動(dòng)情況、身體健康狀況進(jìn)行監(jiān)測(cè)，并督促人們完成健康運(yùn)動(dòng)項(xiàng)目。在對(duì)人體行為進(jìn)行識(shí)別時(shí)，利用傳感器對(duì)相關(guān)的數(shù)據(jù)進(jìn)行采集，并對(duì)數(shù)據(jù)進(jìn)行分析，識(shí)別人們的行為。為不斷提升智能終端識(shí)別的精準(zhǔn)度，更好的為人們服務(wù)，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用十分重要。下面就對(duì)卷積神經(jīng)網(wǎng)絡(luò)分析下的人體行為識(shí)別深度學(xué)習(xí)分析進(jìn)行研究，希望能為相關(guān)的研究人員提供一些參考意見。

1 卷積神經(jīng)網(wǎng)絡(luò)概述

卷積神經(jīng)網(wǎng)絡(luò)屬于一種含卷積計(jì)算，具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，在深度學(xué)習(xí)中較為典型，為代表算法中的組成部分。表征學(xué)習(xí)是卷積神經(jīng)網(wǎng)絡(luò)的特征之一，對(duì)輸入的信息根據(jù)階層結(jié)構(gòu)進(jìn)行平移，不改變其分類。在二十世紀(jì)80年代人們開始對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行相關(guān)的研究，最早的卷積神經(jīng)網(wǎng)絡(luò)為L(zhǎng)eNet-5與時(shí)間延遲網(wǎng)絡(luò)。當(dāng)進(jìn)入新世紀(jì)之后，在現(xiàn)代科學(xué)技術(shù)的不斷進(jìn)步下，在深度學(xué)習(xí)理論的完善及優(yōu)化下，卷積神經(jīng)網(wǎng)絡(luò)得到很大發(fā)展，尤其是在計(jì)算機(jī)視覺等領(lǐng)域中，對(duì)卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用十分廣泛。卷積神經(jīng)網(wǎng)絡(luò)在我國(guó)的研究起步較晚，且缺乏相關(guān)的經(jīng)驗(yàn)，但是我國(guó)依然加大對(duì)卷積神經(jīng)網(wǎng)絡(luò)的研究力度，不斷為我國(guó)科技進(jìn)步提供保障。

在分析卷積神經(jīng)網(wǎng)時(shí)，不得不提深度學(xué)習(xí)。在機(jī)器人的學(xué)習(xí)理論中，深度學(xué)習(xí)理論是十分重要的組成部分，也是機(jī)器人高效發(fā)展的重要內(nèi)容。深度學(xué)習(xí)就是通過對(duì)人腦的高度模擬，形成的一種神經(jīng)網(wǎng)絡(luò)，對(duì)數(shù)據(jù)的解釋，是建立在人腦的模仿機(jī)制上的。當(dāng)下的深度學(xué)習(xí)在聲音識(shí)別、圖片識(shí)別等領(lǐng)域中有著十分重要的應(yīng)用，并且也開始在人體行為識(shí)別中得到相關(guān)的應(yīng)用，且取得較為理想的效果。在智能手機(jī)領(lǐng)域，人體識(shí)別開始得到快速的應(yīng)用，并成為智能手機(jī)的重要功能。深度學(xué)習(xí)是機(jī)器人領(lǐng)域中的重要理論，在機(jī)器人的發(fā)展過程中發(fā)揮著不可替代的作用，尤其是在機(jī)器人人工智能的發(fā)展下，卷積神經(jīng)網(wǎng)絡(luò)更是通過對(duì)人腦的高度模仿，不斷提升其識(shí)別率，為機(jī)器人領(lǐng)域的發(fā)展提供幫助。

2 卷積神經(jīng)網(wǎng)絡(luò)分析下的人體行為識(shí)別深度學(xué)習(xí)模型

Matlab是實(shí)驗(yàn)進(jìn)行對(duì)環(huán)境，在該環(huán)境下，包括的主要內(nèi)容有數(shù)據(jù)采集系統(tǒng)過程、數(shù)據(jù)處理過程等。下面就進(jìn)行詳細(xì)的介紹：

2.1 數(shù)據(jù)采集系統(tǒng)

本文在研究時(shí)硬件平臺(tái)為ARM處理器的智能手機(jī)，以Android系統(tǒng)為基礎(chǔ)，從而搭建起數(shù)據(jù)采集器，行為是輕量級(jí)的，可以對(duì)信息進(jìn)行快速的采集。對(duì)15名用戶的行為數(shù)據(jù)進(jìn)行采集，年齡分別為20～30歲、30～40歲、40～50歲，人數(shù)分別為5人、8人及2人。這15人是智能手機(jī)用戶，所采集的信息為下樓、上樓、跑步、走路及靜止這5種。用戶的手機(jī)一般放置在正常的位置，比如在兜里、手里或者包里，對(duì)用戶的加速度信息采集10次，并且采集的時(shí)間將每次控制在10s，這時(shí)就要可以得到采集的相關(guān)數(shù)據(jù)。表1與表2對(duì)采集的相關(guān)數(shù)據(jù)進(jìn)行介紹：

2.2 數(shù)據(jù)處理

對(duì)采集到的數(shù)據(jù)進(jìn)行分析時(shí)，首先要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后讀數(shù)據(jù)進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)處理，最后再進(jìn)行softmax分類。

第一，數(shù)據(jù)預(yù)處理

在實(shí)驗(yàn)時(shí)采用上述的數(shù)據(jù)進(jìn)行研究，將相關(guān)的數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)處理。首先就要將數(shù)據(jù)處理為矩陣（120×30的矩陣a=（ax、ay、az））。在矩陣中，ax、ay、az分別代表手機(jī)坐標(biāo)系x方向上的加速度信息、手機(jī)坐標(biāo)y方向上的加速度信息及手機(jī)坐標(biāo)z方向上的加速度信息。在實(shí)驗(yàn)中，要對(duì)矩陣a的三個(gè)手機(jī)坐標(biāo)系進(jìn)行處理，變?yōu)?×360的行向量b，并將在az中的最后一項(xiàng)取出來，然后添加到行向量b中，這時(shí)就形成行向量c（1×361的），最后也要對(duì)行向量c進(jìn)行處理除了得到19×19的矩陣d[3]。

第二，數(shù)據(jù)的處理過程

當(dāng)經(jīng)過第一個(gè)階段的預(yù)處理，數(shù)據(jù)就可以進(jìn)入到卷積神經(jīng)網(wǎng)絡(luò)的卷積層中，然后數(shù)據(jù)在經(jīng)過卷積層后，就可以進(jìn)入到池化層，最大值與平均值方式是該層數(shù)據(jù)處理的重要手段，在局部小矩陣中的最大值作為映射層的輸出，這是最大值工作的方式，平均值在處理時(shí)，是將平均值作為映射層的輸出。池化層的采用過程中進(jìn)行處理時(shí)本文是建立在平均值的方式上進(jìn)行的。在完成池化層的處理之后，便進(jìn)入到第三層的卷積過程，在這層中卷積的窗口達(dá)到了12個(gè)，且第三層輸出的矩陣都是不相同的，為12個(gè)不同的8×8的矩陣。當(dāng)經(jīng)過這層的處理之后，就要經(jīng)過卷積神經(jīng)層的最后一層進(jìn)行池化過程。

第三，基于softmax的分類模型

經(jīng)過上面的數(shù)據(jù)處理，這時(shí)數(shù)據(jù)已經(jīng)成為了一個(gè)16×1×12對(duì)列矩陣，將列矩陣輸入到softmax分類器中，進(jìn)行分離，將需要分離的信息映射到對(duì)應(yīng)的標(biāo)簽上，這是softmax分類器的工作原理。在卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理過程中，信息經(jīng)過后便會(huì)得到一個(gè)分類結(jié)果，然后通過與相對(duì)應(yīng)的標(biāo)簽進(jìn)行想比較，計(jì)算出誤差，然后經(jīng)過訓(xùn)練（訓(xùn)練次數(shù)為2000），并對(duì)卷積神經(jīng)網(wǎng)絡(luò)窗口中的權(quán)值誤差進(jìn)行縮小，并最后趨向于收斂，然后在網(wǎng)絡(luò)層中輸入測(cè)試集，并進(jìn)行分類。

3 結(jié)果討論

第一，樣本集測(cè)試。建模是在樣本的基礎(chǔ)上完成的，并將其中450份取出來進(jìn)行測(cè)試，通過實(shí)驗(yàn)發(fā)現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)對(duì)人體行為識(shí)別的準(zhǔn)確率達(dá)到了92%。

第二，交叉實(shí)驗(yàn)。對(duì)整個(gè)樣本進(jìn)行隨機(jī)分類，分為3份，然后對(duì)其中的1份進(jìn)行測(cè)試，對(duì)2份進(jìn)行訓(xùn)練，也就是訓(xùn)練的樣本為300份，測(cè)試的樣本為150份，對(duì)5種行為中，隨機(jī)取30個(gè)在每個(gè)種類中。通過交叉實(shí)驗(yàn)，可以更加接近分類的準(zhǔn)確度。通過實(shí)驗(yàn)，5種行為的識(shí)別率計(jì)算出來。然后通過交叉實(shí)驗(yàn)的結(jié)果，進(jìn)行計(jì)算，得到靜止、行走、跑步、上樓及下樓的識(shí)別準(zhǔn)確率分別為100%、70%、

93.3%、90%及70%。卷積網(wǎng)絡(luò)神經(jīng)行為識(shí)別建模，測(cè)試集的準(zhǔn)確率與交叉實(shí)驗(yàn)證準(zhǔn)確率更高，分別達(dá)到92%與84.7，相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)或者M(jìn)VP，在本次實(shí)驗(yàn)中效果更好。

本文在分析中，對(duì)人體的5種常見行為為對(duì)象，并將手機(jī)放置在3重不同的位置，這時(shí)對(duì)用戶的加速度信息進(jìn)行采集，并將采集都的信息進(jìn)行整理，然后按照不同的方式進(jìn)行識(shí)別分類。卷積神經(jīng)網(wǎng)絡(luò)在本實(shí)驗(yàn)中識(shí)別率更高，相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)等機(jī)器人學(xué)習(xí)算法，更值得被推薦與應(yīng)用。但是在實(shí)驗(yàn)中也發(fā)現(xiàn)，就走路、上樓及下樓的行為來看，識(shí)別率偏低，依然有待提升。在未來卷積神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中，需要注意的問題是需要不斷提升識(shí)別的準(zhǔn)確率，同時(shí)也要對(duì)網(wǎng)絡(luò)的泛化進(jìn)行發(fā)展。對(duì)網(wǎng)絡(luò)功能力進(jìn)行增強(qiáng)過程中，可以通過網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)來完成，改進(jìn)的方式有很多，比如激活函數(shù)、卷積計(jì)算等，但是無(wú)論何種方式都需要在未來加大研究力度，不斷加強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的研究效果及應(yīng)用水平。

除了在智能手機(jī)中的應(yīng)用外，卷積神經(jīng)網(wǎng)絡(luò)還可以在視頻中得到應(yīng)用，所以也可以通過一款適用于視頻的網(wǎng)絡(luò)結(jié)構(gòu)，加強(qiáng)在視頻中的應(yīng)用?？臻g域是卷積神經(jīng)網(wǎng)絡(luò)作用的主要部分，要實(shí)現(xiàn)在視頻中的應(yīng)用，就要將其拓展到三維，也就是在空間中的二維，再加上時(shí)間維度，通過這樣的方式，實(shí)現(xiàn)三維卷積。在計(jì)算機(jī)視覺領(lǐng)域中，自動(dòng)識(shí)別時(shí)一項(xiàng)具有挑戰(zhàn)性的工作，當(dāng)然也是未來的發(fā)展方向之一。

4 結(jié)語(yǔ)

機(jī)器人算法在我國(guó)各行各業(yè)中的應(yīng)用十分廣泛，人體行為識(shí)別中也對(duì)機(jī)器人算法進(jìn)行了應(yīng)用，且取得了良好對(duì)應(yīng)用效果。在機(jī)器人算法中卷積神經(jīng)網(wǎng)絡(luò)是十分重要的組成部分，作為深度學(xué)習(xí)中的一員，可以通過對(duì)人腦的高度模仿，實(shí)現(xiàn)對(duì)人體行為的精準(zhǔn)識(shí)別。本文在分析時(shí)是通過對(duì)5種常見行為進(jìn)行采樣，并對(duì)三種的方式進(jìn)行進(jìn)行分析，得出的結(jié)論是卷積神經(jīng)網(wǎng)絡(luò)分析下的人體識(shí)別準(zhǔn)確率較高，可以滿足相關(guān)產(chǎn)品或者行業(yè)的需求。同時(shí)在現(xiàn)代科學(xué)技術(shù)不斷發(fā)展的背景下，在機(jī)器人學(xué)習(xí)領(lǐng)域深度學(xué)習(xí)也是潮流與方向，作為當(dāng)下深度學(xué)習(xí)的優(yōu)秀代表，卷積神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)識(shí)別的準(zhǔn)確率更高。相信在未來深度識(shí)別技術(shù)一定會(huì)取得質(zhì)的飛躍，從而為機(jī)器人領(lǐng)域的發(fā)展提供技術(shù)支撐。

【參考文獻(xiàn)】

[1]蘇越.基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)的研究分析探討[J].信息通信，2019（7）： 7-8.

[2]張重遠(yuǎn)，岳浩天，王博聞等.基于相似矩陣盲源分離與卷積神經(jīng)網(wǎng)絡(luò)的局部放電超聲信號(hào)深度學(xué)習(xí)模式識(shí)別方法[J].電網(wǎng)技術(shù)，2019，43（6）.

[3]陳國(guó)平，程秋菊，黃超意等.采用深度卷積神經(jīng)網(wǎng)絡(luò)方法的毫米波圖像目標(biāo)檢測(cè)[J].電訊技術(shù)，2019，（10）：1121-1126.

[4]程艷，葉子銘，王明文等.融合卷積神經(jīng)網(wǎng)絡(luò)與層次化注意力網(wǎng)絡(luò)的中文文本情感傾向性分析[J].中文信息學(xué)報(bào)，2019，33（1）.

[5]楊劍，劉寧，熊凌川等.基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默病與行為異常型額顳葉癡呆的鑒別診斷模型研究[J].中華精神科雜志，2018，51（4）：228-234.

[6]荊云建，胡曉依，宋志坤等.基于CNN-SVM的深度卷積神經(jīng)網(wǎng)絡(luò)軸承故障識(shí)別研究[J].振動(dòng)與沖擊，2019，38（18）：173-178.