动作识别评估方法、动作识别评估装置以及存储介质制造方法及图纸

本申请提供了一种动作识别评估方法、动作识别评估装置以及计算机存储介质。该动作识别评估方法包括：获取待识别评估动作数据；采用预设窗口提取待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；利用预设特征指标计算动作数据矩阵的特征向量；将特征向量输入预设动作分类器，得到预设动作分类器输出的动作类别和/或特定动作完成水平。通过上述方式，本申请的动作识别评估方法能够自动、快速地对用户的动作进行识别，帮助用户对运动动作进行精准、快速的评判与分析。快速的评判与分析。快速的评判与分析。

【技术实现步骤摘要】
动作识别评估方法、动作识别评估装置以及存储介质


[0001]本申请涉及动作识别
，特别是涉及一种动作识别评估方法、动作识别评估装置以及计算机存储介质。

技术介绍

[0002]随着技术的进步和市场的发展，人们的工作和生活中越来越多的依赖于智能设备，例如，游戏/娱乐设备、监控设备、各种智能设备等等。对于此类设备，能够准确分析、理解用户的活动，以观察、监控用户、或者与用户交互是非常重要的，且由此能够为用户使用这样的设备带来很大便利。对用户动作的识别无疑将具有广泛的应用前景，可应用的场景包括：体感游戏的输入、跌倒检测、身份识别、智能设备的控制，运动追踪、运动学习等等。因此，需要一种适用简单易行且较准确的动作识别方案。

技术实现思路

[0003]本申请提供了一种动作识别评估方法、动作识别评估装置以及计算机存储介质。
[0004]本申请提供了一种动作识别评估方法，所述动作识别评估方法包括：
[0005]获取待识别评估动作数据；
[0006]采用预设窗口提取所述待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；
[0007]利用预设特征指标计算所述动作数据矩阵的特征向量；
[0008]将所述特征向量输入预设动作分类器，得到所述预设动作分类器输出的动作类别和/或特定动作完成水平。
[0009]其中，所述利用预设特征指标计算所述动作数据矩阵的特征向量，包括：
[0010]基于所述动作数据矩阵进行特征构建，采用预设特征指标对所述动作数据矩阵的每一个动作数据进行运算，得到每一个动作数据的特征向量；
[0011]将所有动作数据的特征向量进行组合，得到所述动作数据矩阵的特征向量矩阵；
[0012]其中，所述预设特征指标包括最大值、最小值、平均值、标准差、均方根和/或极差。
[0013]其中，所述利用预设特征指标计算所述动作数据矩阵的特征向量之后，所述动作识别评估方法还包括：
[0014]采用极端梯度提升算法对所述特征向量进行特征重构变换。
[0015]其中，所述采用极端梯度提升算法对所述特征向量进行特征重构变换，包括：
[0016]基于所述特征向量构建一组决策树组合，其中，所述每棵决策树的非叶子节点表示对一个动作数据的特征向量的属性测试，叶子节点表示属性测试的结果分布；
[0017]从所述决策树的根节点起，将动作数据的特征属性与非叶子节点的特征属性进行比较，根据比较结果决定下一级比较分支，直至叶子节点作为最终的比较结果；
[0018]将决策树组合中所有的叶子节点按照决策树的节点排列顺序进行取值组合，构建出新的特性向量矩阵。
[0019]其中，所述预设动作分类器包括动作类型分类器和动作水平分类器，所述动作类型分类器用于基于所述特征向量检测动作的分类类型，所述动作水平分类器用于基于所述特征向量检测动作的水平等级。
[0020]其中，所述动作识别评估方法，还包括：
[0021]获取待训练动作数据；
[0022]采用预设窗口提取所述待训练动作数据中的若干动作片段数据，构建动作数据矩阵；
[0023]利用预设特征指标计算所述动作数据矩阵的特征向量；
[0024]将所述特征向量分别输入待训练动作类型分类器和待训练动作水平分类器，得到输出的训练动作分类类型和训练动作水平等级；
[0025]基于所述训练动作分类类型与真实动作分类类型构建类别损失函数，以对所述待训练动作类型分类器进行训练，直至得到满足要求的预设动作类型分类器；
[0026]基于所述训练动作水平等级与真实动作水平等级构建水平损失函数，以对所述待训练动作水平分类器进行训练，直至得到满足要求的预设动作水平分类器。
[0027]其中，所述待识别评估动作数据包括三轴加速度动作数据和三轴角速度动作数据；
[0028]所述获取待识别评估动作数据之后，所述动作识别评估方法还包括：
[0029]采用滑动均值滤波对所述待识别评估动作数据进行数据预处理。
[0030]本申请还提供了一种动作识别评估系统，所述动作识别评估系统包括智能可穿戴传感器、终端设备以及服务器；其中，
[0031]所述智能可穿戴传感器，用于获取待识别评估动作数据，以及将所述待识别评估动作数据发送给所述终端设备；
[0032]所述终端设备，用于将所述识别动作数据上传至所述服务器；
[0033]所述服务器，用于采用预设窗口提取所述待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；利用预设特征指标计算所述动作数据矩阵的特征向量；将所述特征向量输入预设动作分类器，得到所述预设动作分类器输出的动作类别；
[0034]所述终端设备，还用于从所述服务器获取所述待识别评估动作数据的动作识别结果和/或特定动作完成水平。
[0035]本申请还提供了一种动作识别评估装置，所述动作识别评估装置包括存储器和处理器，其中，所述存储器与所述处理器耦接；
[0036]其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的动作识别评估方法。
[0037]本申请还提供了一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现上述的动作识别评估方法。
[0038]本申请的有益效果是：动作识别评估装置获取待识别评估动作数据；采用预设窗口提取待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；利用预设特征指标计算动作数据矩阵的特征向量；将特征向量输入预设动作分类器，得到预设动作分类器输出的动作类别和/或特定动作完成水平。通过上述方式，本申请的动作识别评估方法能够自动、快速地对用户的动作进行识别，帮助用户对运动动作进行精准、快速的评判与分析。
附图说明
[0039]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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。其中：
[0040]图1是本申请提供的动作识别评估方法一实施例的流程示意图；
[0041]图2是本申请提供的动作识别评估方法一实施例的框架示意图；
[0042]图3是本申请提供的特征重构变换一实施例的流程示意图；
[0043]图4是本申请提供的多任务逻辑回归分类器的训练过程的示意图；
[0044]图5是本申请提供的动作识别评估系统一实施例的结构示意图；
[0045]图6是本申请提供的动作识别评估装置一实施例的结构示意图；
[0046]图7是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
[0047]下面将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，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动作识别评估方法，其特征在于，所述动作识别评估方法包括：获取待识别评估动作数据；采用预设窗口提取所述待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；利用预设特征指标计算所述动作数据矩阵的特征向量；将所述特征向量输入预设动作分类器，得到所述预设动作分类器输出的动作类别和/或特定动作完成水平。2.根据权利要求1所述的动作识别评估方法，其特征在于，所述利用预设特征指标计算所述动作数据矩阵的特征向量，包括：基于所述动作数据矩阵进行特征构建，采用预设特征指标对所述动作数据矩阵的每一个动作数据进行运算，得到每一个动作数据的特征向量；将所有动作数据的特征向量进行组合，得到所述动作数据矩阵的特征向量矩阵；其中，所述预设特征指标包括最大值、最小值、平均值、标准差、均方根和/或极差。3.根据权利要求1所述的动作识别评估方法，其特征在于，所述利用预设特征指标计算所述动作数据矩阵的特征向量之后，所述动作识别评估方法还包括：采用极端梯度提升算法对所述特征向量进行特征重构变换。4.根据权利要求3所述的动作识别评估方法，其特征在于，所述采用极端梯度提升算法对所述特征向量进行特征重构变换，包括：基于所述特征向量构建一组决策树组合，其中，所述每棵决策树的非叶子节点表示对一个动作数据的特征向量的属性测试，叶子节点表示属性测试的结果分布；从所述决策树的根节点起，将动作数据的特征属性与非叶子节点的特征属性进行比较，根据比较结果决定下一级比较分支，直至叶子节点作为最终的比较结果；将决策树组合中所有的叶子节点按照决策树的节点排列顺序进行取值组合，构建出新的特性向量矩阵。5.根据权利要求1所述的动作识别评估方法，其特征在于，所述预设动作分类器包括动作类型分类器和动作水平分类器，所述动作类型分类器用于基于所述特征向量检测动作的分类类型，所述动作水平分类器用于基于所述特征向量检测动作的水平等级。6.根据权利要求5所述的动作识别评估方法，其特征在于，所述动作识别评估方法，还包括：获取待训练动作数据；采用预设窗口提取所述待训练动作数据中的若...

【专利技术属性】
技术研发人员：唐志勇，曲强，陈哲，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：