[发明专利]一种人体动作识别方法

权利要求书

1.一种人体动作识别方法，其特征在于：该方法包括以下步骤：

步骤一、提取动作样本的每个骨骼关节点在相邻帧之间的运动作为该动作样本的动态特征；

步骤二、基于该动作样本的动态特征获取每个骨骼关节点的运动特征，对所有训练样本的每个骨骼关节点的运动特征进行聚类，得到聚类中心；

步骤三、将每个动作样本分成N₁个片段；对于每个骨骼关节点，将每个骨骼关节点的每个片段中所有帧的特征向量输入至对应的每个骨骼关节点构建的概率分布神经元，累加每个概率分布神经元上的所有输出，得到每个骨骼关节点的每个片段的直方图表达；

步骤四、将全部骨骼关节点按身体部位分为五组，对于每个身体部位的每个片段，连接每个身体部位中的每个骨骼关节点的同一时间片段的直方图表达，作为每个身体部位在该时间片段的运动特征；

步骤五、提取所有动作样本每个身体部位的初始运动特征序列，对每个身体部位的初始运动特征序列的所有运动特征进行聚类；

步骤六、将每个动作样本的每个身体部位的运动特征序列分成N₂个片段；将每个身体部位的每个片段的所有特征向量输入至构建的概率分布神经元，累加每个概率分布神经元上的所有输出，得到每个身体部位的每个片段的直方图表达；

步骤七、将五个身体部位同一时间片段的直方图连接，作为该时间片段的身体特征，同时获得每个动作样本的每个身体部位在所有时间片段的身体特征序列；提取所有动作样本的初始身体特征序列，对所有动作样本的初始身体特征序列的所有身体特征进行聚类；

步骤八、将每个动作样本的身体特征序列中的特征向量输入至构建的概率分布神经元，累加每个概率分布神经元上的所有输出，得到每个动作样本的身体特征的直方图表达；

步骤九、构成时空层级软量化网络；训练时空层级软量化网络，将测试样本输入至训练好的网络模型中，实现动作识别；

所述步骤九中，时空层级软量化网络包括关节点特征软量化层、身体部位特征软量化层、身体特征软量化层、多层感知器；多层感知器包括全连接层、隐层和输出层，隐层共有N_D个神经元，与步骤八直方图表达的身体特征直方图C所在的累加层的所有输出单元通过全连接层全连接，多层感知器的输出层有N_O个神经元，表示动作类别号；累加层与隐层间的权重表示为隐层与输出层间的权重表示为为概率分布神经元个数；

隐层神经元的输出D的计算方式如下：

其中，是elu激活函数，是隐层的偏置向量；

多层感知器的输出层输出O为：

其中，为softmax激活函数，是输出层的偏置向量，每一个输出层的神经元都表示对应的一个动作类别；

时空层级软量化网络的损失函数L为：

其中，是多层感知器的输出向量，是期望的输出向量，其中第t维数据定义为：

其中，I是训练样本总数量，l_i是第i个样本的标签值；

将所有训练样本输入至时空层级软量化网络，对时空层级软量化网络模型进行训练，将测试样本输入进已训练好的时空层级软量化网络模型中，输出向量中最大值对应的动作类别即判断为该测试样本的动作类型，实现动作识别。

2.根据权利要求1所述的一种人体动作识别方法，其特征在于：所述步骤一中，提取动作样本的动态特征的方法为：

每一个动作样本是由人体所有骨骼关节点所有帧的三维坐标组成，对于任一动作样本A来说：

其中，为骨骼关节点j在第f帧的三维坐标，J是骨骼关节点总数，F是动作样本A的总帧数；

骨骼关节点j在第f帧至第f+1帧的动态特征表示为：

则动作样本A的动态特征M表示为：

3.根据权利要求2所述的一种人体动作识别方法，其特征在于：所述步骤二中，获取每个骨骼关节点的运动特征，对所有训练样本的每个骨骼关节点的运动特征进行聚类，得到聚类中心的方法为：

获取每个骨骼关节点的运动特征，第j个骨骼关节点的运动特征为：

提取所有训练样本每个骨骼关节点的所有帧的运动特征，使用K-means算法进行聚类；对于第j个骨骼关节点来说，得到个聚类中心：一共J个骨骼关节点，则一共有个聚类中心。