[发明专利]人体动作识别方法及系统

说明书

本发明公开了一种人体动作识别方法及系统，方法包括：获取采集的人体视频图像，对所述人体视频图像中的人体进行动作序列分割，并提取分割后的动作序列，获得若干时序帧；采用预设网络模型对若干时序帧进行特征提取，获得特征矩阵；采用预设的LSTM网络模型，对所述特征矩阵进行分类识别，得到人体动作识别结果。本发明用预训练好的深度模型能够充分提取图像的丰富特征，其次对于分类任务，传统机器学习算法对时序复杂问题表现力不足，本发明采用长短期记忆网络(LSTM)正是解决时序问题的有效方法。仅需一个摄像头，具有成本低、实时检测、准确性高等优点。

技术领域

本发明涉及深度学习中人体动作识别技术领域，尤其涉及一种人体动作识别方法及系统。

背景技术

目前，在人体动作识别技术中，通常采用如下几种方式：

(1)对于接触式的识别广泛采用便携式的可穿戴工具传感器实时记录人体动作数据，包括加速度、角速度、GPS等，运用一定的数理统计方法进行识别判断。

(2)对于非接触式的识别一般先对识别目标ROI进行定位，然后用人工设计的特征对输入图像进行特征提取，然后采用一些分类算法(比如KNN、SVM算法)进行分类。

(3)近年来，随着深度学习技术的发展，基于预训练的深度网络、人体关节点坐标实时提取、长短期记忆网络深度技术，给人体动作识别带来了新的方向。

但是，现有的人体动作识别技术，存在以下缺点：

(1)以网球运动员为例，当网球运动员进行运动时，可穿戴设备对运动员会造成一种运动不便性，另外附带的传感器相对普通的摄像头价格高昂。

(2)网球运动员一个动作是一个多帧的连续时间序列，单帧图片无法判断球员的动作，使得人工设计的特征提取存在一定的局限性。

(3)人体关节点的2D坐标信息作为动作特征欠缺丰富性，不能够完全代表球员的整个动作过程，特征信息存在损失。

发明内容

本发明提供一种可以提高人体动作识别准确性，且成本低并能够实时检测的人体动作识别方法及系统。

为实现上述目的，本发明提供一种人体动作识别方法，所述人体动作识别方法包括以下步骤：

获取采集的人体视频图像，对所述人体视频图像中的人体进行动作序列分割，并提取分割后的动作序列，获得若干时序帧；

采用预设网络模型对若干时序帧进行特征提取，获得特征矩阵；

采用预设的LSTM网络模型，对所述特征矩阵进行分类识别，得到人体动作识别结果。

其中，所述获取采集的人体视频图像，对所述人体视频图像中的人体进行动作序列分割，并提取分割后的动作序列，获得若干时序帧的步骤包括：

获取采集的人体视频图像，对所述人体视频图像中的人体进行动作序列分割，将分割后的动作序列输入预训练识别模型进行识别，提取动作序列，并获得预测分数，将预测分数低于预设分数阈值的动作序列舍弃，将预测分数高于预设分数阈值的动作序列保存，得到保存的动作序列的若干时序帧。

其中，所述采用预设网络模型对若干时序帧进行特征提取，获得特征矩阵的步骤包括：

采用inception-v3网络模型对若干时序帧按照时间顺序进行图像特征提取，每张图像可以获得2048维特征向量，一个序列可以获得2048*S的特征矩阵，其中，S为该序列的总帧数。

其中，所述采用预设的LSTM网络模型，对所述特征矩阵进行分类识别，得到人体动作识别结果的步骤包括：