在室内空间进行准确的行人模式识别/场景感知,特别是与位置关联的识别/感知,对于行人的聚集或追踪具有重要意义.针对传统机器学习方法特征提取困难、分类精度低,非正常性行为造成较大识别误差等问题,提出一种基于注意力机制和双向长短记...在室内空间进行准确的行人模式识别/场景感知,特别是与位置关联的识别/感知,对于行人的聚集或追踪具有重要意义.针对传统机器学习方法特征提取困难、分类精度低,非正常性行为造成较大识别误差等问题,提出一种基于注意力机制和双向长短记忆(bidirectional long short-term memory,Bi-LSTM)网络的室内实时行人模式识别的模型.建立Bi-LSTM网络提取滑动窗口内行人模式时序特征,评估模型网络结构的性能与时效性,优化所提网络的Bi-LSTM层数和隐藏层节点数,并确定最优的网络结构;为了削减噪声数据对模型的影响,提高网络筛选信息特征的能力,引入注意力机制对所提取的时序特征进行权重参数优化.实验结果表明,相比传统机器学习算法,优化参数后的Bi-LSTM网络,行人模式识别准确度平均提高6.37%,进一步引入注意力机制后,识别准确度平均提高9.21%,最终准确度可达99.32%.所提模型可以有效对行人模式/场景感知进行分类,为室内精准定位追踪提供方法支持.展开更多
文摘在室内空间进行准确的行人模式识别/场景感知,特别是与位置关联的识别/感知,对于行人的聚集或追踪具有重要意义.针对传统机器学习方法特征提取困难、分类精度低,非正常性行为造成较大识别误差等问题,提出一种基于注意力机制和双向长短记忆(bidirectional long short-term memory,Bi-LSTM)网络的室内实时行人模式识别的模型.建立Bi-LSTM网络提取滑动窗口内行人模式时序特征,评估模型网络结构的性能与时效性,优化所提网络的Bi-LSTM层数和隐藏层节点数,并确定最优的网络结构;为了削减噪声数据对模型的影响,提高网络筛选信息特征的能力,引入注意力机制对所提取的时序特征进行权重参数优化.实验结果表明,相比传统机器学习算法,优化参数后的Bi-LSTM网络,行人模式识别准确度平均提高6.37%,进一步引入注意力机制后,识别准确度平均提高9.21%,最终准确度可达99.32%.所提模型可以有效对行人模式/场景感知进行分类,为室内精准定位追踪提供方法支持.
