基于OI-LSTM神经网络结构的人类动作识别模型研究

摘要：

随着手机传感器的普遍使用,对人体日常行为动作识别需求越来越多,经典识别方法是利用启发式过程获得人工特征,再用机器学习方法识别动作.最新研究表明,Inception卷积结构在特征自动提取方面表现尤为突出,可避免人工提取特征带来的偏差问题.人体动作由复杂运动序列构成,捕捉该时间序列是动作识别必不可少的.基于此,首先对Inception结构进行了优化,提出了O-Inception结构,并将其与长短期记忆模型(long short term memory,LSTM)进行了融合,进而提出了OI-LSTM(optimization Inception-LSTM)动作识别模型.OI-LSTM模型一方面可以利用O-Inception结构实现对特征的自动提取,另一方面,还可以利用LSTM捕获动作时序,进而提高了动作识别准确率.在WISDM(wireless sensor data mining)和UCI(UC Irvine)两个数据集上进行了扩展性实验,实验结果表明,所提出的OI-LSTM动作识别模型,在WISDM和UCI两个数据集上其准确率比当前最先进的方法分别提高了约4％和1％.实验还证明,此模型拥有很强的容错性和实时性.

关键词：手机传感器分析、人体动作识别、Inception、卷积神经网络(CNN)、深度可分离卷积、长短期记忆模型(LSTM)、深度学习、OI-LSTM

所属期刊栏目：12

分类号：TP183(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant No. 61871106;the National Key Research and Development Plan under Grant No. 2016YFC0101500

在线出版日期：2019-01-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：1926-1939