步态时相识别方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114926904A(43)申请公布日2022.08.19(21)申请号202210599519.0G06V10/30(2022.01)(22)申请日2022.05.30G06V10/84(2022.01)G06V10/764(2022.01)(71)申请人中国农业科学院农业信息研究所G06N3/04(2006.01)地址100081北京市海淀区中关村南大街G06N3/08(2006.01)12号(72)发明人韩书庆张楷程国栋邢丽玮朱孟帅迟亮王雍涵(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师董娜(51)Int.Cl.G06V40/20(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06V10/26(2022.01)权利要求书1页说明书9页附图5页(54)发明名称步态时相识别方法及装置(57)摘要本发明提供一种步态时相识别方法及装置，所述方法包括：获取待识别的步态数据；根据所述待识别的步态数据获取第一特征值；将所述第一特征值输入训练好的无监督GMM‑HMM模型进行步态时相识别，获取步态时相序列。本发明通过利用无监督的学习模型，在模型训练好之后，不需要进行数据标注，对于在其他非约束条件下的长时间步态数据也适用，对长时间步态数据实现准确、自动识别步态时相。CN114926904ACN114926904A权利要求书1/1页1.一种步态时相识别方法，其特征在于，包括：获取待识别的步态数据；根据所述待识别的步态数据获取第一特征值；将所述第一特征值输入训练好的无监督GMM‑HMM模型进行步态时相识别，获取步态时相序列。2.根据权利要求1所述的步态时相识别方法，其特征在于，所述将所述特征值输入训练好的无监督GMM‑HMM模型进行步态时相识别，获取步态时相序列之前，还包括：确定所述无监督GMM‑HMM模型的参数集；利用训练集中的步态数据确定所述参数集中的参数值；根据所述参数值，获取训练好的无监督GMM‑HMM模型。3.根据权利要求2所述的步态时相识别方法，其特征在于，所述无监督GMM‑HMM模型的参数集由HMM模型的初始概率、转换概率以及GMM模型的权重、均值和协方差构成；所述GMM模型的权重、均值和协方差用于替代所述HMM模型的发射概率。4.根据权利要求2所述的步态时相识别方法，其特征在于，所述确定所述无监督GMM‑HMM模型的参数集之前，还包括：根据所述训练集中的步态数据获取第二特征值；将所述第二特征值输入GMM模型，确定所述GMM模型中每个高斯分布的权重、均值和协方差。5.根据权利要求4所述的步态时相识别方法，其特征在于，所述根据训练集中的步态数据获取第二特征值，包括：利用卡尔曼滤波对所述训练集中的步态数据进行去噪；对去噪后的所述训练集中的步态数据进行筛选，获取第二特征值。6.根据权利要求1所述的步态时相识别方法，其特征在于，所述获取步态时相序列之后，还包括：对所述步态时相序列中相连的站立相和摆动相进行步态分割。7.根据权利要求1所述的步态时相识别方法，其特征在于，所述第一特征值为Z轴角速度对应的一阶差分。8.一种步态时相识别装置，其特征在于，包括：第一获取模块，用于获取待识别的步态数据；第二获取模块，用于根据所述待识别的步态数据获取第一特征值；第三获取模块，用于将所述第一特征值输入训练好的无监督GMM‑HMM模型进行步态时相识别，获取步态时相序列。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至7中的任一项所述步态时相识别方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中的任一项所述步态时相识别方法。2CN114926904A说明书1/9页步态时相识别方法及装置技术领域[0001]本发明涉及步态识别技术领域，尤其涉及一种步态时相识别方法及装置。背景技术[0002]跛行是奶业生产面临的主要挑战之一。跛行影响奶牛行走、采食及饮水，最终造成奶牛产奶量降低、繁殖能力下降、诊治费用增加、使用年限缩短甚至被迫过早淘汰，给牧场带来巨大经济损失。尽早识别跛行奶牛并及时治疗能够减轻跛行对牧场生产和环境的负面影响，提高奶牛福利。[0003]传统依靠人工观察识别跛行奶牛的难度越来越大。主要表现在人工识别效率低，主观判断存在偏差，且劳动力成本日益升高，难以进行长期持续地观测。奶业对奶牛早期跛行自动识别技术的需求日益强烈。奶牛跛行步态分析的关键是在连续步态中识别摆动相、站立相等步态时相。通过分析奶牛各个步态时相的运动强度和持续时间可以判断奶牛的跛行程度，