【技术实现步骤摘要】
人体动作相似性度量方法
[0001]本专利技术属于计算机视觉与机器学习
，涉及一种人体动作相似性度量方法。
技术介绍
[0002]人体动作相似性度量是在已有运动捕获技术获取的人体各个关节的二维图像坐标序列的基础上，通过模式识别的方法获取单帧序列中骨架模型及动作序列之间的相程度。人体动作相似性度量旨在通过如今机器较为可观的学习能力以及强大的计算能力，去形成统一运动评价的标准，为专家评价提供参考，并减轻专家评价的工作量。相关内容涉及到体育的运动员动作评价、医学领域的患者行动能力评价等。
[0003]目前人体运动评价主要依赖于专家经验，即由专家的经验及专业知识来给人体运动的质量(如正确性、流畅性等)给出评价度量。而随着计算机技术及数据分析技术的发展，基于模式识别的自动化、智能化分析方法越来越多，这就为辅助专家评价、减轻专家负担提供了可能。基于模板匹配的方法将参考动作序列和测试动作序列提取特征模板直接进行匹配，但是对噪声和运动间隔比较敏感；基于概率的方法定义了单帧动作的状态表示，然后定义动作之间状态的转移概率来评价测试...
【技术保护点】
【技术特征摘要】
1.人体动作相似性度量方法，其特征在于，包括以下步骤：步骤1，对待测试视频进行关键动作帧和动作区间的提取，得到数据集；步骤2，采用骨骼坐标信息对数据集进行规整划处理得到骨骼图数据集；步骤3，搭建孪生神经网络模型，采用孪生神经网络模型对骨骼图片数据集进行训练；步骤4，设置待测试模板T和参考模板R，采用对训练好的孪生神经网络模型对测试模板T内和参考模板R内单帧图片进行相似性度量，得到单帧图片的不相似度；步骤5，采用DTW算法对步骤3得到的单帧图片的不相似度进行计算，得到最终的相似性度量结果。2.如权利要求1所述的人体动作相似性度量方法，其特征在于，所述步骤1中对关键动作帧的提取具体方法为：步骤1.1.1，对测试视频进行逐帧拆解并转化为灰度图；步骤1.1.2对灰度图逐帧进行帧间的差分运算，设视频一共K帧，前帧为curr，前一帧为pre，得差分矩阵diff，此处运算为：diff＝cur
‑
pre
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)Sum＝sum(diff)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中diff为帧间进行矩阵减预算后的矩阵，Sum为帧间各像素点的差的累加和，即帧间差分强度；Mean为Sum按像素点数取平均,即平均帧间差分强度；步骤1.1.3，视频所有帧都进行差分累加取均值计算之后都保存在数组Diff中；步骤1.1.4，对Diff进行平滑运算，对Diff进行(window_len
‑
1)长度前后扩充以保证需要进行卷积运算的值都能进行完全的卷积，则此时有：Diff＝[f0,f1,........f
K+2*window_len
‑3]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)Diff为未做平滑处理时的平均帧间差分强度；步骤1.1.5，从f0开始对齐卷积数组的中点依次对Diff中的值进行卷积运算：Diff
′
为平滑处理后的平均帧间差分强度；步骤1.1.6，步骤1.1.5的运算结束后再去掉之前扩充的部分，得到的就是进行平滑处理的平均帧间差分强度了，最后根据平均帧间差分强度进行局部极大值选取即可得到分布较为均匀的关键帧动作及其下标。3.如权利要求1所述的人体动作相似性度量方法，其特征在于，所述1中对动作区间的提取方法为：步骤1.2.1，设置一个上阈值和下阈值，用于判断当前帧是否处于运动的状态，即测试动作的区间，上阈值用来确定动作的开始，下阈值用作判断动作的结束，采用两个阈值可以实现捕捉得更精准，判断动作开始的条件为出现大于上阈值的平均帧间差分强度，之后的区间内开始寻找结束的位置，搜寻结束的标记为连续出现不少于x个低于下阈值的平均帧间差分强度；
步骤1.2.2，对步骤1.2.1搜寻到的区间进行长度的检测，过滤掉阈值外区间，在关键帧上去寻找最大低于开始位置和最小高于结束位置的关键帧位置，再进行左右等长的扩充即可完成对测试动作区间的提取。4.如权利要求1所述的人体动作相似性度量方法，其特征在于，所述步骤2具体的为：步骤2.1，定义jiont[0]～jiont[14]分别为头骨、脖颈、右肩、右肘、右手腕、左肩、左肘、左手腕、尾椎骨、右胯、右膝、右脚踝、左胯、左膝、左脚踝的关节点位置，采用运动捕获技术从人体动作视频中获取的人的二维的关节点坐...
【专利技术属性】
技术研发人员：李秀秀，武圣君，卓威，刘旭峰，王超贤，王秀超，王荣超，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
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。