[发明专利]一种人体动作识别方法

说明书

本发明提出一种人体动作识别方法，获取动作样本的动态特征；获取每个骨骼关节点的运动特征并进行聚类；将每个动作样本分成Nsubgt;1/subgt;个片段；得到每个片段的直方图表达；关节点按身体部位分为五组，获取每个部位在同一时间片段的运动特征；提取所有动作样本每个部位的初始运动特征序列，并对运动特征进行聚类；将每个动作样本的每个部位的运动特征序列分成Nsubgt;2/subgt;个片段；得到每个部位每个片段的直方图表达；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；提取所有动作样本的初始身体特征序列，对身体特征进行聚类；得到身体特征的直方图表达；构成并训练时空层级软量化网络，将测试样本输入至网络模型，实现动作识别。

技术领域

本发明涉及一种人体动作识别方法，属于人体动作识别技术领域。

背景技术

动作识别是计算机视觉和多媒体领域的一个重要研究课题。它在视频监控、人机交互、病人监护和机器人等领域有着广泛的应用。和基于RGB视频和光流的方法相比，基于骨骼的方法计算效率更高，具有视角不变性，对遮挡不敏感，对杂乱的背景鲁棒。随着对深度视频以及RGB视频中的骨骼进行估计的方法的发展，动作视频中人体骨骼关节点的3D位置能够很容易的被实时获取。

大部分现有的动作识别方法尝试对骨骼序列中的空间关系进行建模，忽略了关节点之间的协作关系。但是，在日常生活中，人们依靠手和身体各部分协作完成特定动作。这些身体部分之间的协作关系是区分不同动作的重要线索。

因此，针对上述动作识别算法的问题，提出一种人体动作识别方法。

发明内容

本发明是为解决现有技术中的问题而提出的，技术方案如下，

一种人体动作识别方法，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、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。

优选的，所述步骤一中，提取动作样本的动态特征的方法为：