[发明专利]基于卷积神经网络的交互动作的识别方法和系统

权利要求书

1.一种基于卷积神经网络的交互动作的识别方法，该识别方法包括：

采集步骤：采集包含人的肢体动作的视频流，将人的肢体动作进行标注并分类，获得多个肢体动作图片，将所述多个肢体动作图片作为训练数据集；

训练步骤：将所述训练数据集中的训练样本输入DCNN深度卷积神经网络中，提取所述训练样本的HOG特征向量，并利用SVM分类器对所述HOG特征向量进行分类，获得训练样本的类别特征向量；

优化步骤：利用FNN模糊神经网络计算所述训练样本的类别特征向量的最小化整体误差函数，利用该最小化整体误差函数对DCNN深度卷积神经网络进行优化，得到交互动作的DCNN-FNN训练模型；

识别步骤：采用所述交互动作的DCNN-FNN训练模型识别待识别图片的肢体动作的类别。

2.根据权利要求1所述的识别方法，其特征在于：在获得训练样本的类别特征向量前确定该训练样本中的图片的对比度：

计算训练样本中的图片的累积直方图以得到该图片的实际累积频率；

基于所述训练样本中的图片的累积直方图的线性回归和实际累积频率，计算该训练样本中的图片的对比度。

3.根据权利要求1所述的识别方法，其特征在于：所述FNN模糊神经网络包括输入层、隐藏层和输出层，该输出层的特征向量值在[0-1]之间。

4.根据权利要求3所述的识别方法，其特征在于：其中，所述DCNN深度卷积神经网络包括多个DCNN网络层；

当输出层输出的特征向量值高于预设的阈值时，将该特征向量馈送到HOG-SVM分类单元中；

当所述输出层输出的特征向量值低于隐藏层所输出的特征向量值的阈值时，或者HOG-SVM分类单元输出的特征向量值为负值时，则对于下一层的DCNN重复进行所述优化步骤。

5.根据权利要求1所述的识别方法，其特征在于：利用FNN模糊神经网络计算所述训练样本的类别特征向量的最小化整体误差函数，其优化公式如下：

其中，e(y)是最小化整体误差函数，w_e是训练样本中的图片的像素坐标，m是DCNN的总层数，l是DCNN层数的序号；y_l是DCNN每层的类别特征向量数值；f_l(y_l)是训练样本中的图片的各图层所需的函数值；λ是预设的参数。

6.根据权利要求1-5任一项所述的识别方法，其特征在于：采用所述交互动作的DCNN-FNN训练模型提取待识别图片的肢体动作的HOG特征向量，计算该待识别图片的肢体动作的HOG特征向量与所述交互动作的DCNN-FNN训练模型中的所有HOG特征向量的欧氏距离，并把训练样本的类别作为距离最近的待识别图片的肢体动作的类别。

7.一种基于卷积神经网络的交互动作的识别系统，该识别系统包括：

采集模块，用于采集包含人的肢体动作的视频流，将人的肢体动作进行标注并分类，获得多个肢体动作图片，将所述多个肢体动作图片作为训练数据集；

训练模块，用于将所述训练数据集中的训练样本输入DCNN深度卷积神经网络中，提取所述训练样本的HOG特征向量，并利用SVM分类器对所述HOG特征向量进行分类，获得训练样本的类别特征向量；

优化模块：利用FNN模糊神经网络计算所述训练样本的类别特征向量的最小化整体误差函数，利用该最小化整体误差函数对DCNN深度卷积神经网络进行优化，得到交互动作的DCNN-FNN训练模型；

识别模块：采用所述交互动作的DCNN-FNN训练模型识别待识别图片的肢体动作的类别。

8.根据权利要求7所述的识别系统，其特征在于，所述识别系统还包括确定模块，用于在获得训练样本的类别特征向量前确定该训练样本中的图片的对比度；所述确定模块执行以下操作：

计算训练样本中的图片的累积直方图以得到该图片的实际累积频率；

基于所述训练样本中的图片的累积直方图的线性回归和实际累积频率，计算该训练样本中的图片的对比度。