动作计数方法、装置、设备及存储介质制造方法及图纸

本申请实施例涉及视频识别技术领域，公开了一种动作计数方法、装置、设备及存储介质，以解决现有动作计数存在鲁棒性差、计数不准确的技术问题。本申请中，动作计数包括：利用预先训练获得的视频帧动作识别模型对待计数视频进行识别，得到高斯回归输出序列；根据所述高斯回归输出序列进行高斯建模，得到高斯模型；根据所述高斯模型中高斯分布的个数，进行动作计数。数。数。

【技术实现步骤摘要】
动作计数方法、装置、设备及存储介质


[0001]本申请实施例涉及视频识别
，特别涉及一种动作计数方法、装置、设备及存储介质。

技术介绍

[0002]视频动作计数，是指对给定的视频，统计其中某个重复动作的出现次数。视频动作计数在工业生产、农业生产以及日常生活中具有重要的应用，例如在工业工艺生产过程中，某些工序的完成程度直接关系到最终产品的质量，工序动作次数过少或者过多直接导致产品质量欠佳，甚至无法使用；在体育活动中，对选手进行跳绳、仰卧起坐、引体向上等项目考核时，均需要进行动作次数计数。
[0003]然而，现有针对视频的动作计数方法，要么是单纯的利用动作的周期性进行动作计数，要么是单纯利用单帧图像进行动作分类识别，进而实现动作计数。
[0004]虽然，这两种方式可以实现动作计数，但是由于在实际应用中同一重复动作的周期性、频率、完整程度等均会呈现较大差异，这就使得按照固定周期提取到的特征存在不完整的情况，进而导致仅根据周期性来进行动作计数的方案缺乏鲁棒性；而通过单帧图像进行动作分类识别，由于关键动作姿态并不能完全定义完整动作类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动作计数方法，其特征在于，包括：利用预先训练获得的视频帧动作识别模型对待计数视频进行识别，得到高斯回归输出序列；根据所述高斯回归输出序列进行高斯建模，得到高斯模型；根据所述高斯模型中高斯分布的个数，进行动作计数。2.如权利要求1所述的动作计数方法，其特征在于，所述视频帧动作识别模型的训练，包括：获取动作视频样本；对所述动作视频样本中的动作区间进行高斯分布标注；利用标记好的所述动作视频样本，对预先设计好的网络模型结构进行迭代训练至满足预设收敛条件，得到所述视频帧动作识别模型；其中，所述网络模型结构包括高斯回归输出支路。3.如权利要求2所述的动作计数方法，其特征在于，所述对所述动作视频样本中的动作区间进行高斯分布标注，包括：将所述动作视频样本中的动作起始帧时刻标记为t
s
，动作终止帧时刻标记为t
e
，关键帧时刻标记为t
m
，时序尺度因子标记为s；令动作的高斯分布值满足如下公式：其中，μ＝st
m
，4.如权利要求2所述的动作计数方法，其特征在于，所述利用标记好的所述动作视频样本，对预先设计好的网络模型结构进行迭代训练至满足预设收敛条件，得到所述视频帧动作识别模型，包括：从标记好的所述动作视频样本中选择预设长度的连续视频帧，得到连续视频帧序列；将所述连续视频帧序列输入所述网络模型结构中的所述高斯回归输出支路；随机选择所述连续视频帧序列的起始位置，并采用带动量的随机梯度下降法对所述高斯回归输出支路进行迭代训练至满足预设收敛条件，得到所述视频帧动作识别模型。5.如权利要求2至4任一项所述的动作计数方法，其特征在于，所述网络模型结构还包括动作分类输出支路；所述利用标记好的所述动作视频样本，对预先设计好的网络模型结构进行迭代训练至所述网络模型结构满足预设收敛条件，得到所述视频帧动作识别模型，包括：从标记好的所述动作视频样本中选择预设长度的连续视频帧，得到连续视频帧序列；将所述连续视频帧序列输入所述网络模型结构中的所述高斯回归输出支路；将所述连续视频帧序列中每一视频帧对应的高斯分布标签转换为二值标签，并将转换后的所述连续视频帧序列输入所述网络模型结构中的所述动作分类输出支路；随机选择所述连续视频帧序列的起始位置，并采用带动量的随机梯度下降法对所述高斯回归输出支路和所述动作分类输出支路进行迭代训练至满足预设收敛条件，得到所述视
频帧动作识别模型。6.如权利要求5所述的动作计数方法，其特征在于，所述网络模型结构还包括3D卷积干路；所述将所述连续视频帧序列输入所述网络模型结构中的所述高斯回归输出支路，将所述连续视频帧序列中每一视频帧对应的高斯分布标签转换为二值标签，并将转换后的所述连续视频帧序列输入所述网络模型结构中的所述动作分类输出支路之前，所述方法还包括：将所述连续视频帧序列输入所述网络模型结构中的所述3D卷积干路，由所述3D卷积干路进行时序特征提取，并将提取到的时序特征作为需要分别输入所述网络模型结构中的所述高斯回归输出支路和所述动作分类输...

【专利技术属性】
技术研发人员：葛成伟，关涛，童俊文，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：