利用2D CNN实现人体行为识别

最新推荐文章于 2024-03-18 11:10:06 发布

Yuan学习

最新推荐文章于 2024-03-18 11:10:06 发布

阅读量2.8k

点赞数 7

文章标签： tensorflow 卷积神经网络 python

本文链接：https://blog.csdn.net/m0_51178033/article/details/123642583

版权

本文介绍了使用2D CNN进行人体行为识别的方法。通过将UCI-HAR数据集的一维传感器数据转换为2D矩阵，输入到CNN网络中进行处理。数据集包含9个传感器的128维时间序列，经过处理后，模型的准确率达到了约92.094%。

摘要由CSDN通过智能技术生成

UCI—HAR数据集包含两类数据：

一类是从三轴加速度传感器获得的时间序列（数据集中共包含了9个传感器数据）

还有一类数据集是经过特征工程之后获得的数据：每个特征向量包含561个特征数。

数据集下载地址：UCI Machine Learning Repository: Human Activity Recognition Using Smartphones Data Set

尝试将一维的数据拼接成2维矩阵，送入CNN网络中：

首先导入数据：

# 导入数据:
def load_X(X_signals_paths):
    X_signals = []

    for signal_type_path in X_signals_paths:
        file = open(signal_type_path, 'r')
        X_signals.append(
            [np.array(serie, dtype=np.float32) for serie in
             [row.replace('  ', ' ').strip().split(' ') for row in file]])
        file.close()

    return np.transpose(np.array(X_signals), (1, 2, 0))
def load_y(y_path):
    file = open(y_path, 'r')
    y_ = np.array([elem for elem in [row.replace('  ', ' ').strip().split(' ') for row in                     
    file]], dtype=np.int32)
    file.close()
    return y_ - 1

标签设置成one-hot:

# 制作one-hot
def one_hot(y_):
    y_ = y_.reshape(len(y_))
    n_values = int(np.max(y_)) + 1
    return np.eye(n_values)[np.array(y_, dtype=np.int32)]