【技术实现步骤摘要】
基于骨骼关节点分区域分层次的行为识别方法、系统
本专利技术属于计算机视觉领域，具体涉及一种基于骨骼关节点分区域分层次的行为识别方法、系统。
技术介绍
在人工智能领域，有一项技能叫做人体行为识别，是智能监控、人机交互、机器人等诸多应用的一项基础技术。以养老院老人智能看护为例，智能系统通过实时检测和分析老人的行动，可以判断老人是否正常吃饭、服药，是否保持最低运动量、是否有异常行动出现(例如摔倒)，及时给予提醒，确保老人的生活质量不会下降，同时可以减少看护人员的工作量。作为计算机视觉的一个重要研究领域，从2012年深度学习兴起开始，对于骨骼关节点的行为识别的研究主要有三类方法：循环神经网络(RecurrentNeuralNetworks)、卷积神经网络(ConvolutionalNeuralNetworks)、图卷积网络(GraphConvolutionalNetworks).循环神经网络：循环神经网络主要用于处理在时序上有依附关系的信息，例如语音处理和文本处理。这些方法都需要获得上下文信息甚至距离更远的信息来做翻译或者是文本生成。因视频中本身就存在时序信息，所以在做行...
【技术保护点】
1.一种基于骨骼关节点分区域分层次的行为识别方法，其特征在于，该获取方法包括以下步骤：步骤S100，获取输入视频的各帧图像，从各帧图像中分别提取骨骼关节点；步骤S200，对每一帧图像，将其中所提取的所述骨骼关节点划分至所划分的各人体区域，并通过图卷积操作获取对应的特征表示，得到第一层特征表示集；步骤S300，按照所述各人体区域，基于所述第一层特征表示，通过预设层级逐层执行：依据对应层级预设数目，通过池化减少各帧图像中骨骼关节点的数目，并通过最大池化减少图像帧的数量，对保留的图像帧基于所选取骨骼关节点的上一层级特征表示，利用图卷积操作获取对应骨骼关节点对应层级的特征表示；直至...
【技术特征摘要】
1.一种基于骨骼关节点分区域分层次的行为识别方法，其特征在于，该获取方法包括以下步骤：步骤S100，获取输入视频的各帧图像，从各帧图像中分别提取骨骼关节点；步骤S200，对每一帧图像，将其中所提取的所述骨骼关节点划分至所划分的各人体区域，并通过图卷积操作获取对应的特征表示，得到第一层特征表示集；步骤S300，按照所述各人体区域，基于所述第一层特征表示，通过预设层级逐层执行：依据对应层级预设数目，通过池化减少各帧图像中骨骼关节点的数目，并通过最大池化减少图像帧的数量，对保留的图像帧基于所选取骨骼关节点的上一层级特征表示，利用图卷积操作获取对应骨骼关节点对应层级的特征表示；直至通过多层聚合得到一个特征向量，并将该特征向量输入到一个全连接层得到行为类别。2.根据权利要求1所述的基于骨骼关节点分区域分层次的行为识别方法，其特征在于，步骤S200中所划分的人体区域包括头部区域、左手区域、右手区域、左脚区域、右脚区域。3.根据权利要求2所述的基于骨骼关节点分区域分层次的行为识别方法，其特征在于，步骤S300“按照所述各人体区域，基于所述第一层特征表示，逐步在预设层级执行：依据对应层级预设数目，通过池化减少骨骼关节点的数目，基于所选取骨骼关节点的上一层级特征表示，利用图卷积操作获取对应骨骼关节点对应层级的特征表示；直至通过多层聚合得到一个特征向量，并将该特征向量输入到一个全连接层得到行为类别”，其方法为：步骤S311，根据所划分的五个人体区域，对第一层特征表示集进行第一次池化，将每个人体区域的关节点的个数由初始个数减少为V1/5个，将输入视频的图像帧数经过一个最大池化(MaxPooling)由初始帧数T减少为T1，对得到的V1个关节点重新构图后进行一次图卷积，得到第二层特征表示集；步骤S312，根据所划分的五个人体区域，对第二层特征表示集进行第二次池化，将每个人体区域的关节点的个数由V1/5个减少为V2/5个，将步骤S311保留的图像帧数经过一个最大池化由T1减少为T2，对得到的V2个关节点重新构图后进行一次图卷积，得到第三层特征表示集；步骤S313，将头部区域、左手区域、右手区域作为第一区域，左脚区域、右脚区域作为第二区域，对第三层特征表示集进行第三次池化，将关节点减少为第一区域的一个、第二区域的一个，将步骤S312保留的图像帧数经过一个最大池化由T2减少为T3，对得到的2个关节点重新构图后进行一次图卷积，得到第四层特征表示集；步骤S314，对第四层特征表示集进行全局池...
【专利技术属性】
技术研发人员：原春锋，马高群，李兵，李文娟，胡卫明，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。