一种人体行为识别方法与装置制造方法及图纸

本发明专利技术公开了一种人体行为识别方法与装置，该方法包括：根据预先采集的图像训练样本对预先建立的深度卷积神经网络进行训练，得到行为识别模型；其中，所述行为识别模型包括多个采用序贯模型搭建的中间层；将捕获到的人体运动图像信息输入到所述行为识别模型，得到行为识别结果。采用多个序贯模型搭建的中间层以构建行为识别模型，既能有效解决现有技术行为识别精度低，识别效率低的问题，又能有效简化操作，有利于产品化。

【技术实现步骤摘要】
一种人体行为识别方法与装置
本专利技术涉及人工智能
，尤其涉及一种人体行为识别方法与装置。
技术介绍
人体行为识别技术是机器视觉领域的重要分支和前沿性技术，可广泛应用于智能视频监控、机器人视觉、人机交互、游戏控制等，应用市场前景广阔。人的各种行为可由人体各骨悟关节点的相对关系进行表征，因此通过描述人体骨悟关节运动的点来识别人体的行为动作完全有效可行。目前常用的识别方法是使用单人检测器来检测识别单个人的行为动作，存在识别精度低、识别时间过长的问题。
技术实现思路
本专利技术实施例提供一种人体行为识别方法与装置，能有效解决现有技术存在识别精度低，识别效率低的问题，能有效提高识别精度，且实现快速识别，又能有效简化操作，有利于产品化。本专利技术一实施例提供一种人体行为识别方法，包括：根据预先采集的图像训练样本对预先建立的深度卷积神经网络进行训练，得到行为识别模型；其中，所述行为识别模型包括多个采用序贯模型搭建的中间层；将捕获到的人体运动图像信息输入到所述行为识别模型，得到行为识别结果。作为上述方案的改进，所述根据预先采集的图像训练样本对预先建立的深度卷积神经网络进行训练，得到行为识别模型，具体为：根据预设的若干种行为，将采集的人体运动图像信息进行分类，得到图像训练样本，并构建行为数据集；其中，所述行为数据集包括正常行为类别和异常行为类别；对所述行为数据集进行预处理，生成对应人体骨架的构造图；采用所述构造图对预先建立的深度卷积神经网络进行训练,得到行为识别模型。作为上述方案的改进，所述方法的对所述行为数据集进行预处理，生成对应人体骨架的构造图，具体为：根据所述行为数据集，提取预设的若干个人体关节点的位置数据，得到人体骨架节点数据；其中，所述人体骨架节点数据包括关节点X方向轴上的数据以及关节点Y方向轴上的数据；对所述人体骨架节点数据进行模型化处理，生成对应人体骨架的构造图。作为上述方案的改进，所述行为识别模型包括：一个输入层、一个输出层以及采用序贯模型搭建的依次相连的六个中间层；其中，所述输入层的输出端与第一中间层相连接，第六中间层的输出端与所述输出层的输入端相连接。作为上述方案的改进，所述方法还包括：所述每一个中间层包括归一化模块、激活模块以及二维卷积模块；其中，所述二维卷积模块的卷积核为9*9，卷积步长为1。作为上述方案的改进，所述将捕获到的人体运动图像信息输入到所述行为识别模型，得到行为识别结果，具体为：获取摄像头捕获到的人体运动图像信息；对所述人体运动图像信息进行预处理，得到人体骨架节点信息；根据所述人体骨架节点信息，采用所处行为识别模型进行行为识别，确定捕获到的行为类别。作为上述方案的改进，所述对所述人体运动图像信息进行预处理，得到人体骨架节点信息，具体为：根据所述人体运动图像信息，提取预设的若干个人体关节点的位置信息，得到人体骨架节点信息；其中，所述人体骨架节点信息包括关节点X方向轴上的信息以及关节点Y方向轴上的信息。本专利技术另一实施例对应提供了一种人体行为识别装置，包括：模型构建模块，用于根据预先采集的图像训练样本对预先建立的深度卷积神经网络进行训练，得到行为识别模型；其中，所述行为识别模型包括多个采用序贯模型搭建的中间层；行为识别模块，用于将捕获到的人体运动图像信息输入到所述行为识别模型，得到行为识别结果。本专利技术另一实施例提供了一种人体行为识别装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述专利技术实施例所述的人体行为识别方法。本专利技术另一实施例提供了一种计算机存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述专利技术实施例所述的人体行为识别方法。与现有技术相比，本专利技术实施例公开的一种人体行为识别方法通过根据预先采集的图像训练样本对预先建立的深度卷积神经网络进行训练，得到行为识别模型；其中，所述行为识别模型包括多个采用序贯模型搭建的中间层；将捕获到的人体运动图像信息输入到所述行为识别模型，得到行为分类结果，既能有效解决现有技术存在识别精度低，识别效率低的问题，又能通过采用序贯模型搭建行为识别模型能实现模型快速编译，有效提高识别效率，以及简化操作，有利于产品化。附图说明图1是本专利技术一实施例提供的一种人体行为识别方法的流程示意图；图2是本专利技术一实施例提供的行为识别模型的结构图；图3是本专利技术一实施例提供的老人看护的行为识别过程示意图；图4是本专利技术一实施例提供的一种人体行为识别装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见图1，是本专利技术一实施例提供的一种人体行为识别方法的流程示意图，包括：S11、根据预先采集的图像训练样本对预先建立的深度卷积神经网络进行训练，得到行为识别模型；其中，所述行为识别模型包括多个采用序贯模型搭建的中间层；具体地，步骤S11中该行为识别模型的构建包括：根据预设的若干种行为，将采集的人体运动图像信息进行分类，得到图像训练样本，并构建行为数据集；其中，所述行为数据集包括正常行为类别和异常行为类别；对所述行为数据集进行预处理，生成对应人体骨架的构造图；采用所述构造图对预先建立的深度卷积神经网络进行训练,得到行为识别模型。具体地，步骤S11中对该行为数据集进行预处理，包括：根据所述行为数据集，提取预设的若干个人体关节点的位置数据，得到人体骨架节点数据；其中，所述人体骨架节点数据包括关节点X方向轴上的数据以及关节点Y方向轴上的数据；对所述人体骨架节点数据进行模型化处理，生成对应人体骨架的构造图。优选地，该行为识别模型的结构包括：一个输入层、一个输出层以及采用序贯模型搭建的依次相连的六个中间层；其中，所述输入层的输出端与第一中间层相连接，第六中间层的输出端与所述输出层的输入端相连接。优选地，每一个中间层包括归一化模块、激活模块以及二维卷积模块；其中，所述二维卷积模块的卷积核为9*9，卷积步长为1。S12、将捕获到的人体运动图像信息输入到所述行为识别模型，得到行为识别结果。具体地，步骤S12包括：获取摄像头捕获到的人体运动图像信息；对所述人体运动图像信息进行预处理，得到人体骨架节点信息；根据所述人体骨架节点信息，采用所处行为识别模型进行行为识别，确定捕获到的行为类别。其中，对人体运动图像信息进行预处理，具体为：根据所述人体运动图像信息，提取预设的若干个人体关节点的位置信息，得到人体骨架节点信息；其中，所述人体骨架节点信息包括关节点X方向轴上的信息以及关节点Y方向轴上的信息。在本实施例中，通过根据预先采集的图像训练样本对预先建立的深度卷积神经网络进行训练，得到行为识别模型；其中，所述行为识别模型包括多个采用序贯模型搭建的中间层；将捕获到的人体运动图像信息输入到所述行为识别模型，得到行为识别结果，既能有效解决现有技术存在识别精度低，识别效率低的问题，又能通过采用序贯模型搭建行为识别模型能实现模型快速编译，有效提高识本文档来自技高网...

【技术保护点】
1.一种人体行为识别方法，其特征在于，包括：根据预先采集的图像训练样本对预先建立的深度卷积神经网络进行训练，得到行为识别模型；其中，所述行为识别模型包括多个采用序贯模型搭建的中间层；将捕获到的人体运动图像信息输入到所述行为识别模型，得到行为识别结果。

【技术特征摘要】
1.一种人体行为识别方法，其特征在于，包括：根据预先采集的图像训练样本对预先建立的深度卷积神经网络进行训练，得到行为识别模型；其中，所述行为识别模型包括多个采用序贯模型搭建的中间层；将捕获到的人体运动图像信息输入到所述行为识别模型，得到行为识别结果。2.如权利要求1所述的人体行为识别方法，其特征在于，所述根据预先采集的图像训练样本对预先建立的深度卷积神经网络进行训练，得到行为识别模型，具体为：根据预设的若干种行为，将采集的人体运动图像信息进行分类，得到图像训练样本，并构建行为数据集；其中，所述行为数据集包括正常行为类别和异常行为类别；对所述行为数据集进行预处理，生成对应人体骨架的构造图；采用所述构造图对预先建立的深度卷积神经网络进行训练,得到行为识别模型。3.如权利要求2所述的人体行为识别方法，其特征在于，所述方法的对所述行为数据集进行预处理，生成对应人体骨架的构造图，具体为：根据所述行为数据集，提取预设的若干个人体关节点的位置数据，得到人体骨架节点数据；其中，所述人体骨架节点数据包括关节点X方向轴上的数据以及关节点Y方向轴上的数据；对所述人体骨架节点数据进行模型化处理，生成对应人体骨架的构造图。4.如权利要求1所述的人体行为识别方法，其特征在于，所述行为识别模型包括：一个输入层、一个输出层以及采用序贯模型搭建的依次相连的六个中间层；其中，所述输入层的输出端与第一中间层相连接，第六中间层的输出端与所述输出层的输入端相连接。5.如权利要求4所述的人体行为识别方法，其特征在于，所述方法还包括：所述每一个中间层包括归一化模块、激活...

【专利技术属性】
技术研发人员：朱常玉，周冠宇，温云龙，
申请(专利权)人：广州杰赛科技股份有限公司，广州杰赛通信规划设计院有限公司，
类型：发明
国别省市：广东,44