一种用于建立动作识别模型的方法及系统技术方案

本发明专利技术公开了一种用于建立动作识别模型的方法，包括：获取动作样本的骨架位置序列，根据所述骨架位置序列获取每个动作个体中各节点的坐标，所述骨架位置序列中包括多个节点；根据各节点的坐标获取每个动作个体的特征向量，并根据所述特征向量，获取多个动作大类以及各动作大类的动作特征；根据所述动作特征，建立各动作大类的动作识别模型。本发明专利技术通过获取每个动作个体的特征向量，以实现所有动作样本的自动聚类，与现有技术的人工干预进行聚类相比，具有提高推广性的优点。

【技术实现步骤摘要】

本专利技术涉及数据动作分析领域，具体涉及一种用于建立动作识别模型的方法及系 统。
技术介绍
从图像序列中识别出人体动作是模式识别、人机交互领域的一个基础问题，近些 年得到了越来越多的关注并且取得了巨大的进展。人体动作识别在人机交互、医疗保健、视 频监控和娱乐设备等方面具有非常广泛的应用。根据输入数据的不同，现有的动作识别算 法可以分为基于深度图的算法和基于3D骨架的算法。 基于深度图的算法以场景的深度图序列作为输入数据进行动作识别。对深度图进 行前景分割得到人体部分，通过对人体深度图提取特征进行模式匹配，从而识别人体动作。 然而该算法的识别准确率严重依赖于深度图的精度和完整性，如果深度信息噪声太大或者 人体部分有缺失，则会严重影响识别的准确率。同时，由于该算法需要在深度图上进行特征 提取，其时间复杂度会很高。 基于3D骨架的算法则采用了人体骨架的3D位置作为输入数据进行动作识别。人 体骨架是由人体的多个关节点（如肩、手肘、膝盖等）及其连接构成的人体模型，而人体动 作可以通过骨架的3D位置运动来精确地描述。目前人体骨架已经可以通过姿势识别算法 实时可靠地从深度图中提取出来。由于骨架的有效性和简洁性，基于3D骨架的算法可以大 大减小噪声的影响，同时也降低了时间复杂度。对基于3D骨架所提取的特征，有些算法使 用最近邻方法来进行模式匹配。其缺点是没有考虑帧序列的时间关系，从而使得动作的识 别准确率较低。 近些年，图模型被广泛应用在模式识别的各个领域，由于其可以将动作的状态跳 转建模为有向图的结点及边，对于动作的描述非常有效，所以被应用在动作识别领域。与此 同时，很多算法在提取特征时没有考虑动作的局部性，将骨架的全部关节点用于特征提取， 从而导致对于相似动作的识别准确率较低。有技术人员在《光学仪器与技术》国际会议上 提出一种层级模型的算法。该算法将骨架节点分为5个部件，根据动作与5个部件的相关 程度手动地将动作划分为几个大类，从而将动作识别转化为两层的决策过程。其中第一层 决定动作所属大类，第二层再最终判定动作类别，并且在第二层中只从相关的关节点提取 特征，因此识别准确率有所提高。但该算法是通过人工干预进行聚类，不具有推广性。
技术实现思路
针对现有技术中的缺陷，本专利技术提供了一种用于建立动作识别模型的方法及系 统，该方法通过获取每个动作个体的特征向量，以实现所有动作样本的自动聚类，具有推广 性尚的优点。 本专利技术提出了一种用于建立动作识别模型的方法，其特征在于，包括： 获取动作样本的骨架位置序列，根据所述骨架位置序列获取每个动作个体中各节 点的坐标，所述骨架位置序列中包括多个节点； 根据各节点的坐标获取每个动作个体的特征向量，并根据所述特征向量，获取多 个动作大类以及各动作大类的动作特征； 根据所述动作特征，建立各动作大类的动作识别模型。 可选的，所述根据每个动作个体的特征向量，获取多个动作大类以及各动作大类 的动作特征，包括： 根据所述特征向量，对所有动作个体进行聚类，获取多个动作大类； 根据所述特征向量，获取与每个动作个体相关的节点，并根据与每个动作个体相 关的节点的坐标，获取各动作大类的动作特征。 可选的，所述根据所述动作特征，建立各动作大类的动作识别模型，包括： 根据所述动作特征，对各动作大类中的所有动作个体进行聚类，获取各动作大类 的多个动作状态； 并根据各动作大类的所有动作状态建立各动作大类的动作识别模型。 可选的，在根据所述动作特征，建立各动作大类的动作识别模型之后，还包括： 获取待识别动作的骨架位置序列，根据所述骨架位置序列获取各节点的坐标； 根据各节点的坐标获取所述待识别动作的特征向量和动作特征； 根据所述特征向量，在所述动作识别模型中获取与所述待识别动作对应的动作识 别模型，并根据所述动作特征和所述动作识别模型，获取所述待识别动作的动作种类。 可选的，所述根据所述动作特征和所述动作识别模型，获取所述待识别动作的动 作种类，包括： 根据所述动作特征，通过所述动作识别模型，对所述待识别动作与所述动作大类 中的所有动作个体进行模型匹配，并根据匹配结果获取与所述待识别动作匹配度最高的动 作个体以及所述动作个体的动作种类。 本专利技术还提供了一种用于建立动作识别模型的系统，其特征在于，包括： 第一获取模块，用于获取动作样本的骨架位置序列，根据所述骨架位置序列获取 每个动作个体中各节点的坐标，所述骨架位置序列中包括多个节点； 第二获取模块，用于根据各节点的坐标获取每个动作个体的特征向量，并根据所 述特征向量，获取多个动作大类以及各动作大类的动作特征； 建立模块，用于根据所述动作特征，建立各动作大类的动作识别模型。 可选的，所述第二获取模块还用于： 根据所述特征向量，对所有动作个体进行聚类，获取多个动作大类； 根据所述特征向量，获取与每个动作个体相关的节点，并根据与每个动作个体相 关的节点的坐标，获取各动作大类的动作特征。 可选的，所述建立模块还用于： 根据所述动作特征，对各动作大类中的所有动作个体进行聚类，获取各动作大类 的多个动作状态； 并根据各动作大类的所有动作状态建立各动作大类的动作识别模型。 可选的，还包括： 第三获取模块，用于在建立各动作大类的动作识别模型之后，获取待识别动作的 骨架位置序列，根据所述骨架位置序列获取各节点的坐标； 第四获取模块，用于根据各节点的坐标获取所述待识别动作的特征向量和动作特 征； 第五获取模块，用于根据所述特征向量，在所述动作识别模型中获取与所述待识 别动作对应的动作识别模型，并根据所述动作特征和所述动作识别模型，获取所述待识别 动作的动作种类。 可选的，所述第五获取模块还用于： 根据所述动作特征，通过所述动作识别模型，对所述待识别动作与所述动作大类 中的所有动作个体进行模型匹配，并根据匹配结果获取与所述待识别动作匹配度最高的动 作个体以及所述动作个体的动作种类。 由上述技术方案可知，本专利技术提出的用于建立动作识别模型的方法通过获取每个 动作个体的特征向量，以实现所有动作样本的自动聚类，与现有技术的人工干预进行聚类 相比，具有提高推广性的优点。【附图说明】 通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理 解为对本专利技术进行任何限制，在附图中： 图1示出了本专利技术一实施例提供的用于建立动作识别的方法的流程示意图； 图2示出了本专利技术另一实施例提供的用于建立动作识别的方法的流程示意图； 图3示出了本专利技术一实施例提供的用于建立动作识别的方法的人体骨架图； 图4示出了本专利技术一实施例提供的用于建立动作识别的方法的聚类结果； 图5示出了本专利技术一实施例提供的用于建立动作识别的方法的动作识别模型示 意图。 图6示出了本专利技术一实施例提供的用于建立动作识别的系统的结构示意图； 图7示出了本专利技术另一实施例提供的用于建立动作识别的系统的结构示意图。【具体实施方式】 为使本专利技术实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是 本专利技术的一部分实施例，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 员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属本文档来自技高网...

【技术保护点】
一种用于建立动作识别模型的方法，其特征在于，包括：获取动作样本的骨架位置序列，根据所述骨架位置序列获取每个动作个体中各节点的坐标，所述骨架位置序列中包括多个节点；根据各节点的坐标获取每个动作个体的特征向量，并根据所述特征向量，获取多个动作大类以及各动作大类的动作特征；根据所述动作特征，建立各动作大类的动作识别模型。

【技术特征摘要】

【专利技术属性】
技术研发人员：王贵锦，陈宏钊，陈醒濠，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11