[发明专利]一种基于轻量注意力卷积神经网络的步态识别方法和系统

权利要求书

1.一种基于轻量注意力卷积神经网络的步态识别方法，包括以下步骤：

步骤S1：将采集的三轴加速度和三轴角速度步态数据输入轻量级卷积神经网络提取步态特征，该轻量级卷积神经网络在时间轴上进行一维卷积计算，分别提取加速度单轴信号和角速度单轴信号内的特征，并采用二维卷积对所提取到的六轴信号特征进行融合，获得输出特征图；

步骤S2：对于所述轻量级卷积神经网络输出的特征图，根据各通道的上下文编码信息计算各通道的注意力权重参数；

步骤S3：对于所述轻量级卷积神经网络输出的每一个通道的特征图，使用深度可分离卷积进一步提取特征后与对应通道注意力权重参数进行相乘，进而进行步态识别，其中所述深度可分离卷积仅在空间维度进行卷积操作。

2.根据权利要求1所述的方法，其特征在于，在步骤S2中，对于一组特征图F∈R^H×W×C，第i个通道的权重计算公式表示为：

其中，H、W和C分别表示特征图的高度，F_i表示第i个通道所包含的上下文编码信息，表示所有通道上下文编码信息的总和。

3.根据权利要求1所述的方法，其特征在于，所述上下文编码信息根据以下步骤获得：：

单个特征图经过上下文编码处理后得到一个新的固定长度为K的向量集合E，E中的每个元素都包含上下文编码信息。

4.根据权利要求1所述的方法，其中，所述轻量级卷积神经网络包含四个卷积层和两个池化层，两个池化层分别设置在第一卷积层和第三卷积层之后，每一个卷积层或池化层后设置批归一化层和ReLU激活层，该轻量级卷积神经网络的前三层卷积层采用一维卷积，在时间轴上进行卷积计算，分别提取加速度和角速度单轴信号内的特征；最后一层卷积层采用二维卷积对前三层卷积层提取到的六轴信号特征进行融合。

5.根据权利要求1所述的方法，其特征在于，所述三轴加速度和三轴角速度步态数据利用可穿戴智能设备采集。

6.一种基于轻量注意力卷积神经网络的步态识别系统，包括：

轻量卷积神经网络：用于以三轴加速度和三轴角速度步态数据作为输入，提取步态特征，获得输出特征图，其中该轻量级卷积神经网络在时间轴上进行一维卷积计算，分别提取加速度单轴信号和角速度单轴信号内的特征，并采用二维卷积对所提取到的六轴信号特征进行融合；

注意力模块：用于对于所述轻量级卷积神经网络输出的特征图，根据各通道的上下文编码信息计算各通道的注意力权重参数；以及对于所述轻量级卷积神经网络输出的每一个通道的特征图，使用深度可分离卷积进一步提取特征后与对应通道注意力权重参数进行相乘，获得增强特征，其中所述深度可分离卷积仅在空间维度进行卷积操作；

预测输出模块：用于根据所述增强特征进行步态识别。

7.根据权利要求6所述的系统，其特征在于，所述注意力模块包括输入层、深度可分离卷积层、上下文编码模块以及批归一化层和激活层，输入输出之间的关系表示为：

其中，F_(H,W,C)表示一组特征图，D_C表示深度可分离卷积操作，卷积核大小设置为1x3，γ_(1,1,C)代表通道注意力权重，Y_{(H′，W′，C)}是获得的一组新的特征图，δ_N表示批归一化和激活处理。

8.根据权利要求6所述的系统，其特征在于，所述预测输出模块采用softmax分类器实现。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至5中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5中任一项所述的方法的步骤。