【技术实现步骤摘要】
本专利技术涉及姿态识别，具体涉及姿态识别模型的训练方法、姿态识别方法、装置、设备及介质。
技术介绍
1、压力毯是一种将压力信号转换成电信号的毯子，可以采集位于压力毯上人体的压力分布，进而基于该压力分布实现姿态识别。
2、目前，高精度压力毯可以提供精确的压力数据，甚至在输出的压力热力图中即可看到姿态信息，但其成本较高、使用复杂度较大。而低精度压力毯的传感器通常具有较低的分辨率和灵敏度，导致其无法提供高精度的压力数据。这种局限性限制了使用低精度压力毯进行姿态识别的效果和准确度。
技术实现思路
1、有鉴于此，本专利技术提供了一种姿态识别模型的训练方法、姿态识别方法、装置、设备及介质，以解决基于低精度压力毯进行姿态识别时准确度低的问题。
2、第一方面，本专利技术提供了一种姿态识别模型的训练方法，包括：
3、获取压力毯采集到的多个一维的压力数据，形成训练集；所述压力数据包括多个不同位置的压力值，以及所标注的真实姿态标签；
4、将所述压力数据扩展为预设大小的三维数组；所述预设大小为姿态识别模型的输入数据的大小，且大于所述压力数据中压力值的数量；
5、将所述三维数组输入至所述姿态识别模型，对所述姿态识别模型进行训练，生成训练好的姿态识别模型。
6、在一些可选的实施方式中，所述将所述压力数据扩展为预设大小的三维数组，包括：
7、将所述压力数据复制扩展为多通道的第一三维数组；所述第一三维数组为m×m×3的数组；m为所
8、对所述第一三维数组进行大小调整，将所述第一三维数组调整为n×n×3的第二三维数组；n为姿态识别模型的输入数据的大小，且n＞m。
9、在一些可选的实施方式中，所述姿态识别模型包括依次设置的第一卷积结构、多个残差结构、第二卷积结构和池化层；
10、所述将所述三维数组输入至所述姿态识别模型，对所述姿态识别模型进行训练，包括：
11、将n×n×3的三维数组输入至所述第一卷积结构，对所述n×n×3的三维数据进行卷积处理，生成k1×k1×c1的三维数组；k1为所述第一卷积结构的输出数据的大小，c1为所述第一卷积结构的输出通道数，且k1＜n，c1>3；
12、将所述k1×k1×c1的三维数组作为所述多个残差结构中第一个残差结构的输入数据，经所述多个残差结构对输入数据进行特征处理后，生成k2×k2×c2的三维数组；k2为所述多个残差结构中最后一个残差结构的输出数据的大小，c2为所述多个残差结构中最后一个残差结构的输出通道数，且k2<k1，c2>c1；
13、将所述k2×k2×c2的三维数组输入至所述第二卷积结构，对所述k2×k2×c2的三维数据进行卷积处理，生成k2×k2×c3的三维数组；c3为所述第二卷积结构的输出通道数，c3>c2；
14、将所述k2×k2×c3的三维数组输入至所述池化层，并进行池化处理，根据池化结果确定所述压力数据的预测姿态标签；
15、通过最小化所述压力数据的预测姿态标签与真实姿态标签之间的差异，对所述姿态识别模型进行训练。
16、在一些可选的实施方式中，所述残差结构包括：第一卷积层、第二卷积层、第三卷积层和第四卷积层；
17、所述残差结构对输入数据进行特征处理的过程，包括：
18、将a×a×c1的输入数据输入至所述第一卷积层，对所述a×a×c1的输入数据进行卷积处理，生成的a×a×c2的三维数组；a为所述残差结构的输入数据的大小，c1为所述残差结构的输入数据对应的通道数，c2为所述第一卷积层的输出通道数，且c2>c1；
19、将所述第一卷积层输出的三维数组输入至所述第二卷积层，并进行逐通道卷积处理，生成a×a×c2的三维数组；
20、将所述第二卷积层输出的三维数组输入至所述第三卷积层，并进行卷积处理，生成a×a×c1的三维数组；
21、将所述残差结构的输入数据以及所述第三卷积层的输出数据进行加和，并将加和后的加和结果输入至所述第四卷积层，基于步长s对所述加和结果进行卷积处理，生成a/s×a/s×c3的三维数组；c3为所述第四卷积层的输出通道数，且c2≥c3>c1。
22、在一些可选的实施方式中，至少部分所述残差结构还包括：第一全卷积层和第二全卷积层；
23、所述将所述第二卷积层输出的三维数组输入至所述第三卷积层，包括：
24、对所述第二卷积层输出的三维数组进行池化处理，并将池化结果输入至所述第一全卷积层，并进行全卷积处理，生成1×1×c4的权重数组；c4为所述第一全卷积层的输出通道数，且c4≤c2；
25、将所述1×1×c4的权重数组输入至所述第二全卷积层，并进行全卷积处理，生成1×1×c2的权重数组；
26、对所述第二卷积层输出的三维数组和所述1×1×c2的权重数组进行相乘处理，将相乘结果作为所述第三卷积层的输入数据。
27、在一些可选的实施方式中，该方法还包括：
28、在训练所述姿态识别模型的预热阶段，首先基于预设速率将所述姿态识别模型的学习率从零开始增大到最大学习率，之后再根据线性方案逐步减小所述学习率。
29、在一些可选的实施方式中，该方法还包括：
30、根据测试集对所述训练好的姿态识别模型进行测试，确定所述训练好的姿态识别模型的模型精度；
31、在所述模型精度符合要求的情况下，完成训练。
32、第二方面，本专利技术提供了一种姿态识别方法，包括：
33、获取压力毯当前采集到的当前压力数据；所述当前压力数据包括多个不同位置的压力值；
34、将所述当前压力数据扩展为预设大小的三维数组；所述预设大小为姿态识别模型的输入数据的大小，且大于所述当前压力数据中压力值的数量；
35、将所述当前压力数据对应的三维数组输入至训练好的姿态识别模型，确定所述当前压力数据对应的姿态；所述训练好的姿态识别模型是基于权利要求1至7中任一项所述的姿态识别模型的训练方法得到的。
36、第三方面，本专利技术提供了一种姿态识别模型的训练装置，包括：
37、第一获取模块，用于获取压力毯采集到的多个一维的压力数据，形成训练集；所述压力数据包括多个不同位置的压力值，以及所标注的真实姿态标签；
38、第一数据扩展模块，用于将所述压力数据扩展为预设大小的三维数组；所述预设大小为姿态识别模型的输入数据的大小，且大于所述压力数据中压力值的数量；
39、训练模块，用于将所述三维数组输入至所述姿态识别模型，对所述姿态识别模型进行训练，生成训练好的姿态识别模型。
40、第四方面，本专利技术提供了一种姿态识别装置，包括：
41、第二获取模块，用于获取压力毯当前采集到的当前压力数据；所述当前压力数据包括多个不同位置的压力值；...
【技术保护点】
1.一种姿态识别模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述压力数据扩展为预设大小的三维数组，包括：
3.根据权利要求1所述的方法，其特征在于，所述姿态识别模型包括依次设置的第一卷积结构、多个残差结构、第二卷积结构和池化层；
4.根据权利要求3所述的方法，其特征在于，所述残差结构包括：第一卷积层、第二卷积层、第三卷积层和第四卷积层；
5.根据权利要求4所述的方法，其特征在于，至少部分所述残差结构还包括：第一全卷积层和第二全卷积层；
6.根据权利要求1所述的方法，其特征在于，还包括：
7.根据权利要求1所述的方法，其特征在于，还包括：
8.一种姿态识别方法，其特征在于，所述方法包括：
9.一种姿态识别模型的训练装置，其特征在于，所述装置包括：
10.一种姿态识别装置，其特征在于，所述装置包括：
11.一种计算机设备，其特征在于，包括：
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上
...【技术特征摘要】
1.一种姿态识别模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述压力数据扩展为预设大小的三维数组，包括：
3.根据权利要求1所述的方法，其特征在于，所述姿态识别模型包括依次设置的第一卷积结构、多个残差结构、第二卷积结构和池化层；
4.根据权利要求3所述的方法，其特征在于，所述残差结构包括：第一卷积层、第二卷积层、第三卷积层和第四卷积层；
5.根据权利要求4所述的方法，其特征在于，至少部分所述残差结构还包括：第一全卷积层和第二全卷积层；
6.根据权利要求...
【专利技术属性】
技术研发人员：张昌军，韩佛宾，吴松，支崇铮，徐念龙，
申请(专利权)人：王力安防科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。