异常动作确定方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例中提供了一种异常动作确定方法、装置、电子设备及存储介质，该方法包括：获取与目标动作对应的目标视频片段；获取目标视频片段中每帧图像对应的人体骨骼关键点，并基于每帧图像对应的人体骨骼关键点，获取与目标视频片段对应的运动姿态特征；将运动姿态特征输入异常识别模型中，得到与运动姿态特征对应的似然值；根据似然值，确定视频片段中的目标动作是否为异常动作。基于目标视频片段中每帧图像中的人体骨骼关键点构建的运动姿态特征，可以准确描述目标视频片段中人体姿势变化，利用所述运动姿态特征以及异常识别模型，可以准确及时的进行异常动作的确认，使用简单方便，易于广泛应用。易于广泛应用。易于广泛应用。

【技术实现步骤摘要】
异常动作确定方法、装置、电子设备及存储介质


[0001]本申请涉及计算机视觉
，具体地，涉及一种异常动作确定方法、装置、电子设备及存储介质。

技术介绍

[0002]在通过运动进行健身时，若动作出现异常，不够标准容易影响运动效果，还可能对身体造成损伤，由此，在运动中确定动作是否异常显得尤为重要。
[0003]在确定动作是否异常时，通常由专业的老师依靠人工经验进行异常动作的检测，然而，专业的老师数量有限，无法及时分析海量的动作中的异常动作，并且这种方式依靠人工分析，难以广泛应用。

技术实现思路

[0004]本申请实施例中提供了一种异常动作确定方法、装置、电子设备及存储介质，可以有效解决异常动作的确定不够及时和难以广泛应用的问题。
[0005]根据本申请实施例的第一个方面，提供了一种异常动作确定方法，该方法包括：获取与目标动作对应的目标视频片段；获取所述目标视频片段中每帧图像对应的人体骨骼关键点，并基于每帧图像对应的所述人体骨骼关键点，获取与所述目标视频片段对应的运动姿态特征，所述运动姿态特征表示在所述目标视频片段中人体姿势的变化模式；将所述运动姿态特征输入异常识别模型中，得到与所述运动姿态特征对应的似然值，所述异常识别模型为预先训练好的变分自编码器以及卷积神经网络；根据所述似然值，确定所述视频片段中的目标动作是否为异常动作。
[0006]根据本申请实施例的第二个方面，提供了一种异常动作确定装置，该装置包括：获取模块，用于获取与目标动作对应的目标视频片段；构建模块，用于获取所述目标视频片段中每帧图像对应的人体骨骼关键点，并基于每帧图像对应的所述人体骨骼关键点，获取与所述目标视频片段对应的运动姿态特征，所述运动姿态特征表示在所述目标视频片段中人体姿势的变化模式；识别模块，用于将所述运动姿态特征输入异常识别模型中，得到与所述运动姿态特征对应的似然值，所述异常识别模型为预先训练好的变分自编码器以及卷积神经网络；确定模块，用于根据所述似然值，确定所述视频片段中的目标动作是否为异常动作。
[0007]根据本申请实施例的第三个方面，提供了一种电子设备，该电子设备包括一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行如上述应用于电子设备的方法。
[0008]根据本申请实施例的第四方面，本申请实施列提供一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码运行时执行上述的方法。
[0009]采用本申请实施例中提供的异常动作确定方法，获取与目标动作对应的目标视频
片段；获取所述目标视频片段中每帧图像对应的人体骨骼关键点，并基于每帧图像对应的所述人体骨骼关键点，获取与所述目标视频片段对应的运动姿态特征，所述运动姿态特征表示在所述目标视频片段中人体姿势的变化模式；将所述运动姿态特征输入异常识别模型中，得到与所述运动姿态特征对应的似然值，所述异常识别模型为预先训练好的变分自编码器以及卷积神经网络；根据所述似然值，确定所述视频片段中的目标动作是否为异常动作。基于目标视频片段中每帧图像中的人体骨骼关键点构建的运动姿态特征，可以准确描述目标视频片段中人体姿势变化，利用所述运动姿态特征以及异常识别模型，可以准确及时的进行异常动作的确认，使用简单方便，易于广泛应用。
附图说明
[0010]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0011]图1为本申请一个实施例提供的异常动作确定方法的流程图；
[0012]图2为本申请另一个实施例提供的异常动作确定方法的流程图；
[0013]图3为本申请再一个实施例提供的异常动作确定方法的流程图；
[0014]图4为本申请一个实施例提供的异常识别模型的结构图；
[0015]图5为本申请一个实施例提供的异常动作确定装置的功能模块图；
[0016]图6为本申请另一个实施例提供的异常动作确定装置的功能模块图；
[0017]图7为本申请实施例提出的用于执行根据本申请实施例的异常动作确定方法的电子设备的结构框图。
具体实施方式
[0018]在通过运动进行健身时，若动作出现异常，不够标准容易影响运动效果，还可能对身体造成损伤，由此，在运动中确定动作是否异常显得尤为重要。
[0019]在确定动作是否异常时，通常由专业的老师依靠人工经验进行异常动作的检测，然而，专业的老师数量有限，无法及时分析海量的动作中的异常动作，并且这种方式依靠人工分析，难以广泛应用。
[0020]针对上述问题，本申请实施例中提供了一种异常动作确定方法，获取与目标动作对应的目标视频片段；获取所述目标视频片段中每帧图像对应的人体骨骼关键点，并基于每帧图像对应的所述人体骨骼关键点，获取与所述目标视频片段对应的运动姿态特征，所述运动姿态特征表示在所述目标视频片段中人体姿势的变化模式；将所述运动姿态特征输入异常识别模型中，得到与所述运动姿态特征对应的似然值，所述异常识别模型为预先训练好的变分自编码器以及卷积神经网络；根据所述似然值，确定所述视频片段中的目标动作是否为异常动作。基于目标视频片段中每帧图像中的人体骨骼关键点构建的运动姿态特征，可以准确描述目标视频片段中人体姿势变化，利用所述运动姿态特征以及异常识别模型，可以准确及时的进行异常动作的确认，使用简单方便，易于广泛应用。
[0021]本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript，以及Python等。
[0022]为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请
的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0023]请参阅图1，本申请实施例提供了一种异常动作确定方法，可应用于电子设备，所述电子设备可以是智能手机，电脑或服务器等，具体的该方法可以包括以下步骤。
[0024]步骤110，获取与目标动作对应的目标视频片段。
[0025]目标动作是指某一指定的动作，电子设备可以获取与目标动作对应的目标视频片段，以确定所述目标视频片段中的目标动作是否为异常动作。
[0026]在一些实施方式中，所述目标视频片段可以是由用户使用图像采集装置拍摄得到，并将所述目标视频片段上传至指定的应用程序，从而，所述电子设备可以通过所述应用程序获取到目标视频片段。
[0027]在一些实施方式中，用户可以是用图像采集装置拍摄包括所述目标动作的待识别视频，从而电子设备可以获取到所述待识别视频。在获取到所述待识别视频后，电子设备可以识别所述待识别视频中每帧图像的人体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常动作确定方法，其特征在于，所述方法包括：获取与目标动作对应的目标视频片段；获取所述目标视频片段中每帧图像对应的人体骨骼关键点，并基于每帧图像对应的所述人体骨骼关键点，获取与所述目标视频片段对应的运动姿态特征，所述运动姿态特征表示在所述目标视频片段中人体姿势的变化模式；将所述运动姿态特征输入异常识别模型中，得到与所述运动姿态特征对应的似然值，所述异常识别模型为预先训练好的变分自编码器以及卷积神经网络；根据所述似然值，确定所述视频片段中的目标动作是否为异常动作。2.根据权利要求1所述的方法，其特征在于，所述获取与所述目标动作对应的目标视频片段，包括：获取包括所述目标动作的待识别视频；识别所述待识别视频中每帧图像的人体骨骼关键点；基于所述人体骨骼关键点，从所述待识别视频中，提取出与所述目标动作对应的目标视频片段。3.根据权利要求1所述的方法，其特征在于，获取所述目标视频片段中每帧图像对应的人体骨骼关键点，并基于每帧图像对应的所述人体骨骼关键点，构建与所述目标视频片段对应的运动姿态特征，包括：识别所述目标视频片段中每帧图像对应的人体骨骼关键点；基于每帧图像对应的所述人体骨骼关键点，构建与每帧图像对应的姿态向量，所述姿态向量包括多个维度的参数；提取每个姿态向量中的同一维度的参数，并根据构建所述姿态向量所使用的图像在所述目标视频片段中的帧数，得到每个维度对应的时序向量；将每个维度对应的时序向量所构成的矩阵，作为所述运动姿态特征。4.根据权利要求1所述的方法，其特征在于，所述异常识别模型通过以下步骤得到：获取样本片段，所述样本片段为标准的目标动作对应的视频片段；获取与所述样本片段对应的样本运动姿态特征；基于所述样本运动姿态特征对所述变分自编码器以及卷积神经网络进行训练，得到所述异常识别模型。5.根据权利要求4所述的方法，其特征在于，所述异常识别模型从输入到输出，依次包括，第一卷积神经网络、变分自编码器、第二卷积神经网络，所述变分自编码器包括编码网络和解码网络，所述基于所述样本运动姿态特征对所述变分自编码器进行训练，得到所述异常识别模型，包括：将所述样本运动姿态特征输入第一卷积神经网络，由所述第一卷积神经网络处理后输入编码网络，得到隐变量；将所述隐变量输入所述解码网络，由所述解码网络处理后输入第二卷积神经网络，得到重构运动姿态特征以及似然值，所...

【专利技术属性】
技术研发人员：赵勇，夏鹏飞，
申请(专利权)人：北京格灵深瞳信息技术股份有限公司，
类型：发明
国别省市：