一种人体动作捕捉和分类的方法及系统技术方案

本发明专利技术提供一种人体动作捕捉和分类的方法及系统，所述方法包括以下步骤：选用监控摄像头作为视频流采集硬件，将监控范围内视频流数据传输进来；选择人体骨骼点提取的神经网络模型；动作特征提取，对静态特征和动态特征进行拼接，得到人体动作的融合特征；选择人体动作分类的模型，用分类器进行人体动作的识别分类；动作分类，将动作识别分类的结果与预先设置的危险动作作对比分析，进行危险动作判别与危险动作报警。本发明专利技术将监控范围内视频流进行实时动作分析，出现预设危险动作立即发出报警；预设危险动作的设置步骤简单方便，只需采集少量该动作的视频；多路视频流同时分析，高效快捷；视频采集硬件通用性好，性价比高。性价比高。性价比高。

【技术实现步骤摘要】
一种人体动作捕捉和分类的方法及系统


[0001]本专利技术涉及人体行为检测
，具体而言，涉及一种人体动作捕捉和分类的方法及系统。

技术介绍

[0002]在智能安防领域，对于视频的应用与处理，人们往往是在事情发生之后才调取视频，而且是通过人眼从海量视频中筛查特定目标，缺乏实时性和高效性。
[0003]智能安防系统的产生，将传统的被动识别变为了主动识别，通过动作特征提取、动作识别、连续动作分割等任务，视频动作分析技术使得电脑能够模拟人脑对视频中的人体动作进行分析和理解，自动地识别出人体动作。
[0004]然而，视频动作分析当今仍然是一个具有挑战性的课题，识别任务中涉及的复杂的时空关系建模，有两个基本步骤：一是空间的动作评价，比如：帧级的动作识别，二是时间的动作路径生成，比如：视频级的动作识别。一方面，由于动作种类的多样性和人类行为的复杂变化，很难产生有意义的帧级动作建议和判别；另一方面，实际在每一帧的潜在动作区域总数内的视频持续时间呈指数增长，这对动作分析造成了很大难度。

技术实现思路

[0005]鉴于此，本专利技术的目的在于提供一种人体动作捕捉和分类的方法及系统，实时性地提供智能安防监控范围内人体危险动作的预警能力，及时高效地管控公共场所危险行为，减少事后检索监控视频的技术难度和时间复杂度。
[0006]本专利技术提供一种人体动作捕捉和分类的方法，包括以下步骤：
[0007]S1、选用监控摄像头作为视频流采集硬件，将监控范围内视频流数据传输进来；
[0008]S2、选择人体骨骼点提取的神经网络模型；
[0009]S3、对静态特征和动态特征进行拼接融合得到人体动作的融合特征；
[0010]在进行上述静态特征和动态特征的特征提取后，在保证原始动作特征最大程度保留的情况下，较大程度上降低了数据维度；在特征融合时，将静态特征中的第一帧舍弃以达到对特征进行融合处理后，对人体动作的描述更加的全面，对于单一特征中存在的不足，特征融合后可以起到互补的效果，对人体动作得到全面的表述；
[0011]S4、选择人体动作分类的模型，用分类器进行人体动作识别分类；
[0012]S5、将所述动作识别分类的结果与预先设置的危险动作作对比分析，进行危险动作判别与危险动作报警。
[0013]进一步地，所述S5步骤的所述危险动作判别与危险动作报警之后还包括：
[0014]当出现危险动作时，将危险动作类别、发生时刻、图片或短视频数据存储到系统，方便后续查验监控数据，方便下一步多个监控范围多路视频流的大数据分析等工作的开展。
[0015]进一步地于，所述S5步骤的所述危险动作判别与危险动作报警的方法包括：
[0016]判断是否出现危险动作，如所述动作识别分类的结果与预先设置的危险动作对比分析成功，则表示该监控范围内出现危险动作，系统立即发出危险动作报警；
[0017]如所述动作识别分类的结果与预先设置的危险动作对比分析不成功，则表示该监控范围内未出现危险动作，系统不报警。
[0018]进一步地，所述选择人体骨骼点提取的神经网络模型的方法包括：选择OpenPose模型作为人体骨骼点提取模型，考虑到系统处理的实时性要求，所以选择了OpenPose模型作为人体骨骼点提取模型。
[0019]进一步地，所述S3步骤的所述对静态特征和动态特征进行拼接融合得到人体动作的融合特征的方法包括：
[0020]通过人体骨架模型简化以及静态特征和动态特征的建立，经过特征融合，使得原始骨骼数据中的60维数据降低为由11个肢体夹角、8个重要关节点的相对距离、人体模型中所有13个关节点的关节动能以及11个肢体夹角的角加速度构成的43维数据。
[0021]进一步地，所述S4步骤的所述选择人体动作分类的模型，用分类器进行人体动作的识别分类的方法包括：
[0022]不同的分类算法对分类的结果有一定的差异；动作的识别分类是人体动作识别问题中最主要的部分，选择一个与特征相匹配而且识别分类准确率高的分类器是人体动作识别的一大核心问题；考虑到结果准确率和系统处理实时性等需求，所以选择基于空间维度和时间维度的神经网络模型，作为人体动作分类模型。
[0023]本专利技术还提供一种人体动作捕捉和分类的系统，执行上述所述的人体动作捕捉和分类的方法，包括：
[0024]视频流采集模块：用于视频流采集，选用监控摄像头作为视频流采集硬件，将监控范围内视频流数据传输进来；
[0025]人体骨骼点提取模块：用于选择人体骨骼点提取的神经网络模型；
[0026]动作特征提取模块：对静态特征和动态特征进行拼接融合得到人体动作的融合特征；
[0027]动作分类模块：用于选择人体动作分类的模型，用分类器进行人体动作识别分类；
[0028]危险动作判别与报警模块：将所述动作识别分类的结果与预先设置的危险动作作对比分析，进行危险动作判别与危险动作报警。
[0029]进一步地，所述人体动作捕捉和分类的系统，还包括：
[0030]数据存储模块：用于当出现危险动作时将危险动作类别、发生时刻、图片或短视频数据存储到系统。
[0031]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的人体动作捕捉和分类的方法的步骤。
[0032]本专利技术还提供一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述的人体动作捕捉和分类的方法的步骤。
[0033]与现有技术相比，本专利技术的有益效果在于：
[0034]本专利技术将监控范围内视频流进行实时动作分析，一旦出现预设危险动作立即发出报警，实时性强；预设危险动作的设置步骤简单方便，只需少量采集该动作视频；多路视频
流同时分析，相较于传统的人眼检索，高效快捷；视频采集硬件通用性好，相较于专用于Kinect深度相机的方案，性价比得到很大提高。
附图说明
[0035]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。
[0036]在附图中：
[0037]图1为本专利技术一种人体动作捕捉和分类的方法的流程图；
[0038]图2为本专利技术实施例计算机设备的构成图；
[0039]图3为本专利技术实施例人体动作捕捉和分类的方法的流程框图；
[0040]图4为本专利技术实施例人体骨架模型的简化示意图。
具体实施方式
[0041]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和产品的例子。...

【技术保护点】

【技术特征摘要】
1.一种人体动作捕捉和分类的方法，其特征在于，包括以下步骤：S1、选用监控摄像头作为视频流采集硬件，将监控范围内视频流数据传输进来；S2、选择人体骨骼点提取的神经网络模型；S3、对静态特征和动态特征进行拼接融合得到人体动作的融合特征；S4、选择人体动作分类的模型，用分类器进行人体动作识别分类；S5、将所述动作识别分类的结果与预先设置的危险动作作对比分析，进行危险动作判别与危险动作报警。2.根据权利要求1所述的人体动作捕捉和分类的方法，其特征在于，所述S5步骤的所述危险动作判别与危险动作报警之后还包括：当出现危险动作时，将危险动作类别、发生时刻、图片或短视频数据存储到系统，方便后续查验监控数据。3.根据权利要求1所述的人体动作捕捉和分类的方法，其特征在于，所述S5步骤的所述危险动作判别与危险动作报警的方法包括：判断是否出现危险动作，如所述动作识别分类的结果与预先设置的危险动作对比分析成功，则系统立即发出危险动作报警；如所述动作识别分类的结果与预先设置的危险动作对比分析不成功，则系统不报警。4.根据权利要求1所述的人体动作捕捉和分类的方法，其特征在于，所述，所述选择人体骨骼点提取的神经网络模型的方法包括：选择OpenPose模型作为人体骨骼点提取模型。5.根据权利要求1所述的人体动作捕捉和分类的方法，其特征在于，所述S3步骤的所述对静态特征和动态特征进行拼接融合得到人体动作的融合特征的方法包括：通过人体骨架模型简化以及静态特征和动态特征的建立，经过特征融合，使得原始骨骼数据中的60维数据降低为由11个肢体夹角、8个重要关节点的相对距离、人体模型中所有13个关节点的关节动能以...

【专利技术属性】
技术研发人员：罗敏静，卿亮，
申请(专利权)人：广州智能科技发展有限公司，
类型：发明
国别省市：