[发明专利]基于Gabor原子分解的人体异常步态检测方法和装置

权利要求书

1.一种基于Gabor原子分解的人体异常步态检测方法，包括：

从嵌入智能终端的三轴减速度传感器收集的X,Y,Z轴人体运动数据作为训练样本集；

使用所述训练样本集对基于MP的Gabor原子特征提取；

当接收到待识别的三轴数据时，所述训练后的Gabor函数对其进行分类得到一个或多个所述数据的类别特征向量；

所述训练后的得到的Gabor函数对每个类别向量进行计算得到特征向量，并计算所有类别向量与样本集之间的欧式距离，把距离的远近作为人体异常步态检测的识别结果。

2.根据权利要求1所述的方法，其特征在于，使用所述训练样本集对Gabor原子分解模型进行训练，包括：

将所述训练样本集中的步态数据作为步态训练样本，对Gabor原子分解模型进行训练，为每一类步态数据标签得到类别的特征向量；

将所述训练样本集中的特征向量作为步态特征，来确定实际步态数据所属类别。

3.根据权利要求1所述的方法，其特征在于，当接收到待识别的步态数据时，所述训练后Gabor模型对其进行分类得到一个或多个所述步态的类别向量，包括：

当接收到待识别的步态数据时，所述训练后的Gabor模型对所述步态数据进行分类，确定所述步态数据所属的一个或多个类别，为所属的每一个类别添加一个相应的标签得到对应的类别向量。

4.根据权利要求1所述的方法，其特征在于，计算所有类别向量与样本向量之间的欧式距离，把距离的远作为移动步态数据的识别结果，包括：

在所有类别向量与训练好的特征向量之间，两两计算欧式距离，在得到的所有欧氏距离中确定距离的远近不一的欧氏距离，将所述距离最远的欧氏距离所对应的步态向量作为所述异常步态的识别结果。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：

将所述步态数据的识别结果推送给上传所述数据的用户进行预警。

6.一种基于深度学习的图像识别装置，包括：

数据获取模块，其配置成从运动中获取步态三轴加速度数据作为训练样本集；

训练模块，其配置成使用所述训练样本集对数据预处理和Gabor模块进行训练；

数据预处理模块，其配置成在经过识别数据后，当接收到待识别的动态步态数据时，对其进行加速度信号增强然后进行特征向量的提取；

Gabor模块，其配置成在经过训练后，对所述数据预处理模块得到的每个类别向量进行计算得到对应的特征向量，并计算所有特征向量与训练好的样本向量之间的欧式距离，把距离的远近作为所述步态数据的识别结果。

7.根据权利要求6所述的装置，其特征在于，所述训练模块具体配置成：

将所述训练样本集中的步态数据作为Gabor训练样本，对所述Gabor模块进行训练，为每一组步态数据添加步态分类的标签得到类别向量。

8.根据权利要求6所述的装置，其特征在于，所述Gabor模块具体配置成：

在经过训练后，当接收到待识别的步态数据时，对所述步态数据进行分类，确定所述步态数据所属的类别，为所属的每一个类别添加一个相应的标签得到对应的类别向量。

9.根据权利要求6所述的装置，其特征在于，所述Gabor模块具体配置成：

在所有类别向量与所有动态步态向量之间，两两计算欧式距离，在得到的所有欧氏距离中确定超出范围的欧氏距离，将所述超出范围的欧氏距离所对应的步态数据作为所述图像的识别结果。

10.根据权利要求6-9中任一项所述的装置，其特征在于，所述装置还包括：

推送模块，其配置成将所述步态的识别结果推送给上传所述步态的用户进行预警。