一种动作的识别方法及其识别系统技术方案

本申请公开了一种动作识别的方法及其识别系统，其中动作识别方法具体包括以下步骤：采集至少一个动作，对动作进行分解，确定元动作；对元动作进行预处理，去除其中的弱信息；其中对元动作的确定包括根据原始动作建立坐标系，将采集的动作划分为多个象限，当新动作发生时，确定该新动作所在的象限以及新动作的运动轨迹，根据新象限和新动作的运动轨迹确定元动作。本申请提供的动作的识别方法及其识别系统能够利用信息熵的原理，对弱信息进行过滤，剔除元动作序列中的弱信息，并对元动作序列的信息进行整合，从而避免识别中出现分类过多的问题，进而提高识别的准确率和效率。

An Action Recognition Method and Its Recognition System

【技术实现步骤摘要】
一种动作的识别方法及其识别系统
本申请涉及动作识别领域，具体地，涉及一种动作的识别方法及其识别系统。
技术介绍
在自然世界里，人通过触摸来操控物体、通过手势来表达意愿。我们希望人可以通过同样的方式同计算机交互。因此，对“多维机器视觉动作感知”的研究，首先必须研究如何对人体的三维动作进行采集，然后需要对采集到的复杂信息进行处理，识别出有效动作，最后对有效动作进行判断，分析人的意图。但是传统的有效分析过程中，并不能对分类过多的动作进行快速有效的识别，从而可能出现动作分析错误或预估错误的可能。
技术实现思路
本申请的目的在于在进行动作识别前对元动作信息进行处理，对动作采集与动作识别进行建模，根据人体动作特点利用维纳过程以及类马尔科夫算法进行弱信息的甄别，随后利用信息熵的原理，对弱信息进行过滤，剔除元动作序列中的弱信息，并对元动作序列的信息进行整合，从而避免识别中出现分类过多的问题，进而提高识别的准确率和效率。为达到上述目的，本申请提供了一种动作识别的方法及其识别系统，其中动作识别的方法具体包括以下步骤：采集至少一个动作，对动作进行分解，确定元动作；对元动作进行预处理，去除其中的弱信息；其中对元动作的确定包括根据原始动作建立坐标系，将采集的动作划分为多个象限，当新动作发生时，确定该新动作所在的象限以及新动作的运动轨迹，根据新象限和新动作的运动轨迹确定元动作。如上的，其中，利用动作预处理层，采用基于熵的信息提取方法对元动作进行预处理，去除其中的弱信息。如上的，其中，去除其中的弱信息包括以下子步骤：对元动作进行分解，获得姿势信息和动作信息；根据动作信息寻找弱信息；搜索弱信息库，判断当前弱信息是否可以去除。如上的，其中，在寻找弱信息过程中，假设X(n)＝{X1,X2,X3...Xn}是人身体一局部的元动作信息，其中n为时刻，X1,X2,X3...Xn为各时刻的元动作的子动作，元动作信息满足以下条件：X(n)＝{X1,X2,X3...Xn}是独立增量过程；任意时刻m,n>0,X(m+n)-X(n)～N(0,c^2*n)，X(m+n)-X(n)为随机动作在区间(m，n)上的增量，即X(m+n)-X(n)是期望为0，方差为c^2*n的正态分布；X(n)是关于n是连续函数。如上的，其中，通过对序列X(n)＝{X1,X2,X3...Xn}概率的计算来寻找弱信息，设状态S(S1,S2)为强信息和弱信息的集合，计算模型如下：其中P(S|X)为状态S的基础上，元动作集合的概率，P(X)为动作的初始概率分布，T为观察时间的长度，t为初始观测的时间，为初始状态概率矩阵，S0为初始状态，B＝(B0,...,BN-1)在传统连续隐马尔科夫模型中为状态产生观测的概率分布，但在本申请中B＝(B0,...,BN-1)为在人当前状态下，产生元动作信息的概率分布，其中B(X0)为初始状态概率分布；为某一状态下某一元动作的概率分布，St为某一状态，Xt为某一动作，为马尔科夫模型中的隐含状态，St-1为某一状态的前一状态，上述t为常量。如上的，其中，对于结果P(S|X)做如下处理：threadhold为弱阈值，当P(S|X)值大于threadhold时，说明当前的动作与前一动作的差值小于指定阈值，即reslut为1时，为弱信息，reslut为0时，为强信息。如上的，其中，其中使用海明距离计算当前弱信息和弱信息信息库中弱信息的相似度。如上的，其中，在采集动作的同时采集人体的动作影像，通过动作影像得到姿势信息和动作信息。一种动作识别系统，包括采集分析单元、去除单元；采集分析单元于采集动作，对动作进行分解确定元动作；去除单元与采集分析单元连接，用于对元动作进行预处理，去除元动作中的弱信息。如上的，其中，去除单元包括如下模块；信息分类模块：用于根据采集的元动作中的信息进行分类，分解出姿势信息和动作信息；寻找模块：用于寻找弱信息；搜索模块：用于搜索弱信息信息库，判断当前弱信息是否可以去除；整合模块：用于将未去除的弱信息添加至强信息中进行信息整合。本申请具有以下有益效果：本申请提供的动作的识别方法及其识别系统能够在进行动作识别前对元动作信息进行处理，对动作采集与动作识别进行建模，根据人体动作特点利用维纳过程以及类马尔科夫算法进行弱信息的甄别，随后利用信息熵的原理，对弱信息进行过滤，剔除元动作序列中的弱信息，并对元动作序列的信息进行整合，从而避免识别中出现分类过多的问题，进而提高识别的准确率和效率。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。图1是根据本申请实施例提供的动作识别的方法流程图；图2是根据本申请实施例提供的动作识别方法的子流程图；图3是根据本申请实施例提供的动作示意图；图4是根据本申请实施例提供的识别系统内部结构示意图；图5是根据本申请实施例提供的识别系统的子模块示意图。具体实施方式下面结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。本申请是一种动作的识别方法及其识别系统，根据本申请，在进行动作识别前对元动作信息进行处理，对动作采集与动作识别进行建模，根据人体动作特点利用维纳过程以及类马尔科夫算法进行弱信息的甄别，随后利用信息熵的原理，对弱信息进行过滤，剔除元动作序列中的弱信息，并对元动作序列的信息进行整合，从而避免识别中出现分类过多的问题，进而提高识别的准确率和效率。如图1所示为本申请提供的动作识别的方法流程图。步骤S110：采集一系列动作，对动作进行分解确定元动作。具体地，由于人的动作十分协调且具有随意性，所以人在完成一个动作时往往会运用身体的很多部位去协同完成该动作并且即使是同一个人在多次完成同一个动作时其完成的方式也尽不相同。首先采集动作，根据原始动作建立坐标系，将采集的动作划分为多个象限，例如常用的四个或三个象限，当新动作发生时，确定该新动作所在的象限以及新动作的运动轨迹，根据新象限和新动作的运动轨迹确定元动作。示例性地，若人想要拿起一个水杯，可能做得动作有很多种情况，元动作也就有多个，例如拿起身体左前方的水杯，完成该动作的主要动作是伸出左手并拿起水杯(情况A)，根据伸出左手、拿起水杯这一过程为新发生动作A的元动作。但人通常的动作是身体微微向左转向水杯，再伸出左手拿起水杯(情况B)，根据身体左转、伸出右手、拿起水杯这一过程为新发生动作B的元动作；当然也可能有人会在微微向右转去和同事打个招呼的同时，伸左手拿起水杯(情况C)，此时根据身体右转、伸出左手、拿起水杯这一过程为新发生动作C的元动作。虽然三种情况虽然做得动作不同，但目标都是为了拿起水杯，但是在数据的角度来看，新发生元动作A、B、C中的数据的差异是非常大的，这样并不能够准确快速的识别出目标动作，因此需要对元动作进行处理，执行步骤S120。步骤S120：对元动作进行预处理，去除元动作中无用本文档来自技高网...

【技术保护点】
1.一种动作识别的方法，其特征在于，具体包括以下步骤：采集至少一个动作，对所述动作进行分解，确定元动作；对所述元动作进行预处理，去除其中的弱信息；其中对元动作的确定包括根据原始动作建立坐标系，将采集的动作划分为多个象限，当新动作发生时，确定该新动作所在的象限以及新动作的运动轨迹，根据新象限和新动作的运动轨迹确定元动作。

【技术特征摘要】
1.一种动作识别的方法，其特征在于，具体包括以下步骤：采集至少一个动作，对所述动作进行分解，确定元动作；对所述元动作进行预处理，去除其中的弱信息；其中对元动作的确定包括根据原始动作建立坐标系，将采集的动作划分为多个象限，当新动作发生时，确定该新动作所在的象限以及新动作的运动轨迹，根据新象限和新动作的运动轨迹确定元动作。2.如权利要求1所述的动作识别的方法，其特征在于，利用动作预处理层，采用基于熵的信息提取方法对元动作进行预处理，去除其中的弱信息。3.如权利要求2所述的动作识别的方法，其特征在于，所述去除其中的弱信息包括以下子步骤：对所述元动作进行分解，获得姿势信息和动作信息；根据动作信息寻找弱信息；搜索弱信息库，判断当前弱信息是否可以去除。4.如权利要求3所述的动作识别的方法，其特征在于，在寻找弱信息过程中，假设X(n)＝{X1,X2,X3...Xn}是人身体一局部的元动作信息，其中n为时刻，X1,X2,X3...Xn为各时刻的元动作的子动作，元动作信息满足以下条件：X(n)＝{X1,X2,X3...Xn}是独立增量过程；任意时刻m,n>0,X(m+n)-X(n)～N(0,c^2*n)，X(m+n)-X(n)为随机动作在区间(m，n)上的增量，即X(m+n)-X(n)是期望为0，方差为c^2*n的正态分布；X(n)是关于n是连续函数。5.如权利要求3所述的动作识别的方法，其特征在于，通过对序列X(n)＝{X1,X2,X3...Xn}概率的计算来寻找弱信息，设状态S(S1,S2)为强信息和弱信息的集合，计算模型如下：其中P(S|X)为状态S的基础上，元动作集合的概率，P(X)为动...

【专利技术属性】
技术研发人员：骞一凡，
申请(专利权)人：骞一凡，
类型：发明
国别省市：北京,11