一种动作识别的方法和装置制造方法及图纸

本发明专利技术实施例公开了一种动作识别的方法和装置，利用模糊特征提取算法，从待测试的视频中提取相应的姿势向量；利用K‑means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；查询预先建立的动作识别模型，以确定出所述动作向量对应的动作类型。运用模糊特征提取经由K‑means聚类处理的方式，提高了特征提取的速度。依据于近似核心极限学习机的最小偏差算法建立动作识别模型，在保持高精度的情况下，降低了计算复杂度、减少了运存损耗。并且，在进行动作识别时，直接查询该动作识别模型即可确定出动作向量对应的动作类型，极大的提高了动作识别的效率。

【技术实现步骤摘要】
一种动作识别的方法和装置
本专利技术涉及视频监控
，特别是涉及一种动作识别的方法和装置。
技术介绍
随着人工智能的发展，动作识别技术的应用越来越广泛，例如，人机交互、增强现实(AugmentedReality，AR)、智能视觉监控。以智能视觉监控为例，是利用计算机视觉技术对视频信号进行处理、分析和理解，在不需要人为干预的情况下，通过对序列图像自动分析对监控场景中的变化进行定位、识别和跟踪，并在此基础上分析和判断目标物体的行为，能在异常情况发生时及时发出警报或提供有用信息，有效地协助安全人员处理危机，并最大限度地降低误报和漏报现象。由此可知，在视频监控领域中，准确的识别目标物体的动作具有重要的意义。目标物体的动作识别可以划分为特征提取和动作识别两部分。现有技术中，通常采用尺度不变特征变换(Scale-InvariantFeaturesTransform，SIFT)、加速稳健特征(SpeededUpRobustFeatures,SURF)或者是方向梯度直方图(HistogramofOrientedGradient,HOG)等算法进行特征提取。在特征提取的基础上，依据K近邻、拉普拉斯-支持向量机或者极限学习机等算法进行动作识别，从而判断出目标物体执行的是何种动作。依据上述算法进行动作识别时，为了保证判断的精度，算法的时间复杂度会较高，从而需要花费较多的时间并且消耗较大的内存，才能实现动作识别，导致动作识别的效率较低。可见，如何在保证精度的情况下提高动作识别的效率，是本领域技术人员亟待解决的问题。
技术实现思路
本专利技术实施例的目的是提供一种动作识别的方法和装置，可以在保证精度的情况下提高动作识别的效率。为解决上述技术问题，本专利技术实施例提供一种动作识别的方法，包括：利用模糊特征提取算法，从待测试的视频中提取相应的姿势向量；利用K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；查询预先建立的动作识别模型，以确定出所述动作向量对应的动作类型；其中所述动作识别模型的建立依据于近似核心极限学习机的最小偏差算法。可选的，所述动作向量和动作类型的对应关系的建立过程包括：利用所述模糊特征提取算法，从目标视频中获取相应的姿势向量；其中，所述目标视频对应的动作类型为已知信息；利用所述K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；利用所述近似核心极限学习机的最小偏差算法，计算所述动作向量与所述动作类型的权重系数；依据所述权重系数，确定出所述动作向量和所述动作类型的对应关系，以完成动作识别模型的建立。可选的，所述利用K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量包括：利用如下公式，计算所述姿势向量对应的模糊向量uij，其中，Pij表示第i个视频流的第j帧图片对应的姿势向量，vd表示第d个动作类别的基本向量模型，m表示模糊参数且m＞1；利用如下公式对所述模糊向量进行处理，计算出对应的动作向量xi，其中，Ni表示第i个视频流的帧图片的个数。可选的，还包括：当无法确定出所述动作向量对应的动作类型时，则向目标设备发送提示信息。可选的，还包括：接收所述目标设备反馈的动作类型；利用所述近似核心极限学习机的最小偏差算法，确定出待处理的动作向量和所述动作类型的对应关系，并将所述对应关系存储于预先建立的所述动作向量和动作类型的对应关系中。本专利技术实施例还提供了一种动作识别的装置，包括提取单元、得到单元和查询单元；所述提取单元，用于利用模糊特征提取算法，从待测试的视频中提取相应的姿势向量；所述得到单元，用于利用K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；所述查询单元，用于查询预先建立的动作识别模型，以确定出所述动作向量对应的动作类型；其中所述动作识别模型的建立依据于近似核心极限学习机的最小偏差算法。可选的，还包括计算单元和确定单元；所述提取单元还用于利用所述模糊特征提取算法，从目标视频中获取相应的姿势向量；其中，所述目标视频对应的动作类型为已知信息；所述得到单元还用于利用所述K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；所述计算单元，用于利用所述近似核心极限学习机的最小偏差算法，计算所述动作向量与所述动作类型的权重系数；所述确定单元，用于依据所述权重系数，确定出所述动作向量和所述动作类型的对应关系，以完成动作识别模型的建立。可选的，所述得到单元包括映射子单元和处理子单元；所述映射子单元，用于利用如下公式，计算所述姿势向量对应的模糊向量uij，其中，Pij表示第i个视频流的第j帧图片对应的姿势向量，vd表示第d个动作类别的基本向量模型，m表示模糊参数且m＞1；所述处理子单元，用于利用如下公式对所述模糊向量进行处理，计算出对应的动作向量xi，其中，Ni表示第i个视频流的帧图片的个数。可选的，还包括发送单元；所述发送单元，用于当无法确定出所述动作向量对应的动作类型时，则向目标设备发送提示信息。可选的，还包括接收单元和存储单元；所述接收单元，用于接收所述目标设备反馈的动作类型；所述存储单元，用于利用所述近似核心极限学习机的最小偏差算法，确定出待处理的动作向量和所述动作类型的对应关系，并将所述对应关系存储于预先建立的所述动作向量和动作类型的对应关系中。由上述技术方案可以看出，利用模糊特征提取算法，从待测试的视频中提取相应的姿势向量；利用K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；查询预先建立的动作识别模型，以确定出所述动作向量对应的动作类型。运用模糊特征提取经由K-means聚类处理的方式，提高了特征提取的速度。依据于近似核心极限学习机的最小偏差算法建立动作识别模型，在保持高精度的情况下，降低了计算复杂度、减少了运存损耗。并且，在进行动作识别时，直接查询该动作识别模型即可确定出动作向量对应的动作类型，极大的提高了动作识别的效率。附图说明为了更清楚地说明本专利技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种动作识别的方法的流程图；图2为本专利技术实施例提供的一种建立动作识别模型的方法的流程图；图3为本专利技术实施例提供的一种动作识别的装置的结构示意图。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前提下，所获得的所有其他实施例，都属于本专利技术保护范围。为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。接下来，详细介绍本专利技术实施例所提供的一种动作识别的方法。图1为本专利技术实施例提供的一种动作识别的方法的流程图，该方法包括：S101：利用模糊特征提取算法，从待测试的视频中提取相应的姿势向量。待测试视频为动作类型未知的视频。在本专利技术实施例中，需要对待测试视频中的动作进行识别，判断出视频中所包含的动作类型。在本专利技术实施例中本文档来自技高网...

【技术保护点】
1.一种动作识别的方法，其特征在于，包括：利用模糊特征提取算法，从待测试的视频中提取相应的姿势向量；利用K‑means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；查询预先建立的动作识别模型，以确定出所述动作向量对应的动作类型；其中所述动作识别模型的建立依据于近似核心极限学习机的最小偏差算法。

【技术特征摘要】
1.一种动作识别的方法，其特征在于，包括：利用模糊特征提取算法，从待测试的视频中提取相应的姿势向量；利用K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；查询预先建立的动作识别模型，以确定出所述动作向量对应的动作类型；其中所述动作识别模型的建立依据于近似核心极限学习机的最小偏差算法。2.根据权利要求1所述的动作识别的方法，其特征在于，所述动作向量和动作类型的对应关系的建立过程包括：利用所述模糊特征提取算法，从目标视频中获取相应的姿势向量；其中，所述目标视频对应的动作类型为已知信息；利用所述K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；利用所述近似核心极限学习机的最小偏差算法，计算所述动作向量与所述动作类型的权重系数；依据所述权重系数，确定出所述动作向量和所述动作类型的对应关系，以完成动作识别模型的建立。3.根据权利要求1或2所述的动作识别的方法，其特征在于，所述利用K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量包括：利用如下公式，计算所述姿势向量对应的模糊向量uij，其中，Pij表示第i个视频流的第j帧图片对应的姿势向量，vd表示第d个动作类别的基本向量模型，m表示模糊参数且m＞1；利用如下公式对所述模糊向量进行处理，计算出对应的动作向量xi，其中，Ni表示第i个视频流的帧图片的个数。4.根据权利要求1所述的动作识别的方法，其特征在于，还包括：当无法确定出所述动作向量对应的动作类型时，则向目标设备发送提示信息。5.根据权利要求4所述的动作识别的方法，其特征在于，还包括：接收所述目标设备反馈的动作类型；利用所述近似核心极限学习机的最小偏差算法，确定出待处理的动作向量和所述动作类型的对应关系，并将所述对应关系存储于预先建立的所述动作向量和动作类型的对应关系中。6.一种动作识别的装置，其特征在于，包括提取单元、得到单元和查询单元；所述提取单元，用于利用模糊特征提取...

【专利技术属性】
技术研发人员：曾铭宇，刘波，肖燕珊，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44