卷积神经网络分析下的人体行为识别深度学习分析研究

徐正

摘要：在智能技术的快速发展下，在人体行为识别中的应用十分广泛，为不断提升智能终端识别的精准度，可以对卷积神经网络分析进行合理应用，在深度学习下，对原始数据进行高效的处理。在对数据进行处理时，是通过卷积神经网络进行分析的，识别的动作包括走路、跑步等。本文的研究是建立在对比试验的基础上的，通过对比对卷积神经网络识的别率进行分析。深度学习是机器人领域中的重点研究内容，而卷积神经网络识是深度学习中的最佳代表，通过提升识别率，满足相关产品或者行业的实际需求。

关键词：卷积神经网络;深度学习;行为识别;人体行为

引言

由于现代人们在生活与工作中的压力较大，很多人都处于亚健康的状态，对健康的关注度较高，健康运动也成为当下较为流行的方式。通过运动管理系统，对人们每天的运动情况、身体健康状况进行监测，并督促人们完成健康运动项目。在对人体行为进行识别时，利用传感器对相关的数据进行采集，并对数据进行分析，识别人们的行为。为不断提升智能终端识别的精准度，更好的为人们服务，卷积神经网络的应用十分重要。下面就对卷积神经网络分析下的人体行为识别深度学习分析进行研究，希望能为相关的研究人员提供一些参考意见。

1 卷积神经网络概述

卷积神经网络属于一种含卷积计算，具有深度结构的前馈神经网络，在深度学习中较为典型，为代表算法中的组成部分。表征学习是卷积神经网络的特征之一，对输入的信息根据阶层结构进行平移，不改变其分类。在二十世纪80年代人们开始对卷积神经网络进行相关的研究，最早的卷积神经网络为LeNet-5与时间延迟网络。当进入新世纪之后，在现代科学技术的不断进步下，在深度学习理论的完善及优化下，卷积神经网络得到很大发展，尤其是在计算机视觉等领域中，对卷积神经网络的应用十分广泛。卷积神经网络在我国的研究起步较晚，且缺乏相关的经验，但是我国依然加大对卷积神经网络的研究力度，不断为我国科技进步提供保障。

在分析卷积神经网时，不得不提深度学习。在机器人的学习理论中，深度学习理论是十分重要的组成部分，也是机器人高效发展的重要内容。深度学习就是通过对人脑的高度模拟，形成的一种神经网络，对数据的解释，是建立在人脑的模仿机制上的。当下的深度学习在声音识别、图片识别等领域中有着十分重要的应用，并且也开始在人体行为识别中得到相关的应用，且取得较为理想的效果。在智能手机领域，人体识别开始得到快速的应用，并成为智能手机的重要功能。深度学习是机器人领域中的重要理论，在机器人的发展过程中发挥着不可替代的作用，尤其是在机器人人工智能的发展下，卷积神经网络更是通过对人脑的高度模仿，不断提升其识别率，为机器人领域的发展提供帮助。

2 卷积神经网络分析下的人体行为识别深度学习模型

Matlab是实验进行对环境，在该环境下，包括的主要内容有数据采集系统过程、数据处理过程等。下面就进行详细的介绍：

2.1 数据采集系统

本文在研究时硬件平台为ARM处理器的智能手机，以Android系统为基础，从而搭建起数据采集器，行为是轻量级的，可以对信息进行快速的采集。对15名用户的行为数据进行采集，年龄分别为20～30岁、30～40岁、40～50岁，人数分别为5人、8人及2人。这15人是智能手机用户，所采集的信息为下楼、上楼、跑步、走路及静止这5种。用户的手机一般放置在正常的位置，比如在兜里、手里或者包里，对用户的加速度信息采集10次，并且采集的时间将每次控制在10s，这时就要可以得到采集的相关数据。表1与表2对采集的相关数据进行介绍：

2.2 数据处理

对采集到的数据进行分析时，首先要对数据进行预处理，然后读数据进行卷积神经网络处理，最后再进行softmax分类。

第一，数据预處理

在实验时采用上述的数据进行研究，将相关的数据输入到卷积神经网络中进行预处理。首先就要将数据处理为矩阵（120×30的矩阵a=（ax、ay、az））。在矩阵中，ax、ay、az分别代表手机坐标系x方向上的加速度信息、手机坐标y方向上的加速度信息及手机坐标z方向上的加速度信息。在实验中，要对矩阵a的三个手机坐标系进行处理，变为1×360的行向量b，并将在az中的最后一项取出来，然后添加到行向量b中，这时就形成行向量c（1×361的），最后也要对行向量c进行处理除了得到19×19的矩阵d[3]。

第二，数据的处理过程

当经过第一个阶段的预处理，数据就可以进入到卷积神经网络的卷积层中，然后数据在经过卷积层后，就可以进入到池化层，最大值与平均值方式是该层数据处理的重要手段，在局部小矩阵中的最大值作为映射层的输出，这是最大值工作的方式，平均值在处理时，是将平均值作为映射层的输出。池化层的采用过程中进行处理时本文是建立在平均值的方式上进行的。在完成池化层的处理之后，便进入到第三层的卷积过程，在这层中卷积的窗口达到了12个，且第三层输出的矩阵都是不相同的，为12个不同的8×8的矩阵。当经过这层的处理之后，就要经过卷积神经层的最后一层进行池化过程。

第三，基于softmax的分类模型

经过上面的数据处理，这时数据已经成为了一个16×1×12对列矩阵，将列矩阵输入到softmax分类器中，进行分离，将需要分离的信息映射到对应的标签上，这是softmax分类器的工作原理。在卷积神经网络的数据处理过程中，信息经过后便会得到一个分类结果，然后通过与相对应的标签进行想比较，计算出误差，然后经过训练（训练次数为2000），并对卷积神经网络窗口中的权值误差进行缩小，并最后趋向于收敛，然后在网络层中输入测试集，并进行分类。

3 结果讨论

第一，样本集测试。建模是在样本的基础上完成的，并将其中450份取出来进行测试，通过实验发现，卷积神经网络对人体行为识别的准确率达到了92%。

第二，交叉实验。对整个样本进行随机分类，分为3份，然后对其中的1份进行测试，对2份进行训练，也就是训练的样本为300份，测试的样本为150份，对5种行为中，随机取30个在每个种类中。通过交叉实验，可以更加接近分类的准确度。通过实验，5种行为的识别率计算出来。然后通过交叉实验的结果，进行计算，得到静止、行走、跑步、上楼及下楼的识别准确率分别为100%、70%、

93.3%、90%及70%。卷积网络神经行为识别建模，测试集的准确率与交叉实验证准确率更高，分别达到92%与84.7，相比于传统的神经网络或者MVP，在本次实验中效果更好。

本文在分析中，对人体的5种常见行为为对象，并将手机放置在3重不同的位置，这时对用户的加速度信息进行采集，并将采集都的信息进行整理，然后按照不同的方式进行识别分类。卷积神经网络在本实验中识别率更高，相比于传统的神经网络等机器人学习算法，更值得被推荐与应用。但是在实验中也发现，就走路、上楼及下楼的行为来看，识别率偏低，依然有待提升。在未来卷积神經网络在实际应用中，需要注意的问题是需要不断提升识别的准确率，同时也要对网络的泛化进行发展。对网络功能力进行增强过程中，可以通过网络结构的改进来完成，改进的方式有很多，比如激活函数、卷积计算等，但是无论何种方式都需要在未来加大研究力度，不断加强卷积神经网络的研究效果及应用水平。

除了在智能手机中的应用外，卷积神经网络还可以在视频中得到应用，所以也可以通过一款适用于视频的网络结构，加强在视频中的应用。空间域是卷积神经网络作用的主要部分，要实现在视频中的应用，就要将其拓展到三维，也就是在空间中的二维，再加上时间维度，通过这样的方式，实现三维卷积。在计算机视觉领域中，自动识别时一项具有挑战性的工作，当然也是未来的发展方向之一。

4 结语

机器人算法在我国各行各业中的应用十分广泛，人体行为识别中也对机器人算法进行了应用，且取得了良好对应用效果。在机器人算法中卷积神经网络是十分重要的组成部分，作为深度学习中的一员，可以通过对人脑的高度模仿，实现对人体行为的精准识别。本文在分析时是通过对5种常见行为进行采样，并对三种的方式进行进行分析，得出的结论是卷积神经网络分析下的人体识别准确率较高，可以满足相关产品或者行业的需求。同时在现代科学技术不断发展的背景下，在机器人学习领域深度学习也是潮流与方向，作为当下深度学习的优秀代表，卷积神经网络比传统的神经网络识别的准确率更高。相信在未来深度识别技术一定会取得质的飞跃，从而为机器人领域的发展提供技术支撑。

【参考文献】

[1]苏越.基于深度学习卷积神经网络图像识别技术的研究分析探讨[J].信息通信，2019（7）： 7-8.

[2]张重远，岳浩天，王博闻等.基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法[J].电网技术，2019，43（6）.

[3]陈国平，程秋菊，黄超意等.采用深度卷积神经网络方法的毫米波图像目标检测[J].电讯技术，2019，（10）：1121-1126.

[4]程艳，叶子铭，王明文等.融合卷积神经网络与层次化注意力网络的中文文本情感倾向性分析[J].中文信息学报，2019，33（1）.

[5]杨剑，刘宁，熊凌川等.基于卷积神经网络的阿尔茨海默病与行为异常型额颞叶痴呆的鉴别诊断模型研究[J].中华精神科杂志，2018，51（4）：228-234.

[6]荆云建，胡晓依，宋志坤等.基于CNN-SVM的深度卷积神经网络轴承故障识别研究[J].振动与冲击，2019，38（18）：173-178.