基于多流分组洗牌图卷积神经网络的骨骼动作识别方法技术

本发明专利技术公开的基于多流分组洗牌图卷积神经网络的骨骼动作识别方法，包括：获取骨骼图像中的骨骼数据，骨骼数据由多个骨骼序列组成，每个骨骼序列为一个动作样本，提取动作样本的特征图；将动作样本的特征图输入分组洗牌图卷积神经网络模型中，输出当前动作样本对应的动作；分组洗牌图卷积神经网络模型包括：若干并联连接的分组洗牌图卷积神经网络子模型及处理单元，每个分组洗牌图卷积神经网络子模型输出当前动作样本对应的得分，处理单元将多个分组洗牌图卷积神经网络子模型的得分相加后平均，该得分包含所有动作类别的分数，分数最高的动作类别即为当前动作样本被模型所识别出的动作。引入分组洗牌技术降低子模型的计算成本。算成本。算成本。

【技术实现步骤摘要】
基于多流分组洗牌图卷积神经网络的骨骼动作识别方法


[0001]本专利技术属于动作识别
，更具体地，本专利技术涉及一种基于多流分组洗牌图卷积神经网络的骨骼动作识别方法。

技术介绍

[0002]随着深度学习的快速发展，基于深度学习的人体动作识别技术已经广泛应用于无人驾驶、AI游戏、AI监控、健康服务等众多领域。其中，由于人体骨骼动作识别相比于传统RGB视频人体动作识别具有低使用成本、较高的鲁棒性、结构信息明显等优点而受到越来越多的关注。基于人体骨骼的动作识别方法从结构上可分为两种，单流网络结构和多流网络结构。单流网络结构是仅进行一次训练的模型结构，其具有计算成本较低的优点，但其存在灵活性差、精度较低的缺点，且不能根据实际应用场景变换组合；多流网络结构是一种将多次训练完成的模型并联的结构，其具有灵活性高、精度较高的优点，且可以根据实际应用场景变换组合，但其存在计算成本较高的缺点。目前现有技术LMI
‑
GCN(轻量级多信息图卷积神经网络)的网络结构中图卷结构和时间卷积结构存在参数量较高和计算量较高的问题，并且其技术为单流网络，缺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多流分组洗牌图卷积神经网络的骨骼动作识别方法，其特征在于，所述方法具体包括如下步骤：S1、获取骨骼图像中的骨骼数据，骨骼数据由多个骨骼序列组成，每个骨骼序列为一个动作样本，提取动作样本的特征图；S2、将动作样本的特征图输入分组洗牌图卷积神经网络模型中，分组洗牌图卷积神经网络模型输出当前动作样本对应的动作；其中，分组洗牌图卷积神经网络模型包括：若干并联连接的分组洗牌图卷积神经网络子模型，与分组洗牌图卷积神经网络子模型连接的处理单元。每个分组洗牌图卷积神经网络子模型输出当前动作样本对应的得分至处理单元，处理单元将多个分组洗牌图卷积神经网络子模型的得分相加后平均，该得分包含所有动作类别的分数，分数最高的动作类别即为当前动作样本被模型所识别出的动作。2.如权利要求1所述基于多流分组洗牌图卷积神经网络的骨骼动作识别方法，其特征在于，分组洗牌图卷积神经网络子模型包括：依次连接的分组洗牌图卷积结构及分组洗牌时间卷积结构。3.如权利要求1所述基于多流分组洗牌图卷积神经网络的骨骼动作识别方法，其特征在于，分组洗牌图卷积结构包括：依次连接的洗牌单元，分组单元及图卷积结构，图卷积结构由3个卷积单元组成，每个卷积单元由1个图卷积层GCN及1个点卷积层CNN组成，分组单元的输出端连接第一个卷积单元的图卷积层GCN及点卷积层CNN，两卷积单元之间依次通过融合单元、洗牌单元及分组单元连接。4.如权利要...

【专利技术属性】
技术研发人员：井望，李汪根，李豆豆，夏义春，沈公仆，范宝珠，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：