一种基于人体姿态关键点信息的动作分析方法技术

本发明专利技术公开了一种基于人体姿态关键点信息的动作分析方法，包括：获取姿态关键点标注图像；对姿态关键点标注图像进行补充；对人体姿态关键点的时间域动态轨迹序列进行学习建模；对姿态关键点标注图像进行区域分割；对新获取的姿态关键点信息与模型进行比对，模拟分割区域的下一阶段轨迹；对下一阶段轨迹与人体的下一步姿态关键点信息进行匹配；重复比对，当无法进行匹配时，提示报警，并记录实时监控的人体的姿态关键点信息，供后续学习建模。本发明专利技术可在监测到人体图像、视频信息时，提取关键点特征与模型中数据进行比对，分析人体动作，并进行姿态关键点信息比对，此过程循环进行，可以分析人体姿态关键点信息的动作。可以分析人体姿态关键点信息的动作。可以分析人体姿态关键点信息的动作。

【技术实现步骤摘要】
一种基于人体姿态关键点信息的动作分析方法


[0001]本专利技术涉及计算机视觉
，涉及一种分析方法，尤其涉及一种基于人体姿态关键点信息的动作分析方法。

技术介绍

[0002]关键点识别是指从一张含有目标对象的图像(照片或视频)中对该目标对象的关键点进行建模识别。例如，人体关键点一般定义为：踝关节，左膝关节，左臀部，右臀部，左膝关节，左踝关节，右踝关节，上颈部，头顶，右手腕，左肘，左肩，右肩，右肘，左手腕等。通过上述姿态关键点的数据的积累，并通过相关模型，可以人体的动作的表达。
[0003]但是现阶段，各种模型、数据库等可以对不同姿态、形状、乃至人体任何一个部位的微小变化都能准确的生成姿态关键点信息，但是基于人体姿态关键点信息进行人体动作的分析，尚无深入研究。

技术实现思路

[0004]本专利技术的目的在于提供一种基于人体姿态关键点信息的动作分析方法，通过人体姿态关键点信息的积累与学习，建立数据模型，由此可在监测到人体图像、视频信息时，提取关键点特征与模型中数据进行比对，分析人体的行动轨迹，并将该行动轨迹与人体实际的下一步的姿态关键点信息比对，此过程循环进行，可以分析人体姿态关键点信息的动作。
[0005]为达到上述目的，本专利技术采用的技术方案是：一种基于人体姿态关键点信息的动作分析方法，包括如下步骤：
[0006]S1)获取多组不同形态的人体的图像、以及对应的姿态关键点标注图像；
[0007]S2)对所获取的姿态关键点标注图像进行关键点噪声与关键点缺失的补充；<br/>[0008]S3)对人体姿态关键点的时间域动态轨迹序列进行学习建模；
[0009]S4)对姿态关键点标注图像进行区域分割；
[0010]S5)对实时监控的人体获取的姿态关键点信息与所建模型进行比对，通过模型模拟出多种不同分割区域的下一阶段轨迹；
[0011]S6)对模拟出的下一阶段轨迹与实时监控的人体的下一步姿态关键点信息进行匹配；
[0012]S7)重复S5和S6，当无法进行匹配时，提示报警，并记录实时监控的人体的姿态关键点信息，供后续学习建模。
[0013]作为进一步的优化，S1中姿态关键点包括15
‑
20个骨骼点。
[0014]作为进一步的优化，S1中所述姿态关键点标注图像包括静态的人体姿态图像与动态的人体姿态图像。
[0015]作为进一步的优化，S1中所述动态的人体姿态图像包括姿态大小尺度变换图像、姿态位移尺度变换图像。
[0016]作为进一步的优化，S2中对人体姿态检测的造成的人体骨骼关键点丢失、或者关
键点漂移进行补充更正。
[0017]作为进一步的优化，S3中对时域骨骼关键点的特征提取方法为关键点的联合位置直方图分布、关键点3D位置的旋转与位移特征。
[0018]作为进一步的优化，S4中的区域分割为头部、躯干、上臂、下臂、大腿和小腿。
[0019]作为进一步的优化，S6中下一阶段轨迹中不同分割区域中的多个姿态关键点与模型中的姿态关键点信息进行匹配。
[0020]作为进一步的优化，S7中为记录超出模型外的姿态关键点信息的时间域动态轨迹序列。
[0021]与已有技术相比，本专利技术的有益效果体现在：
[0022]1.本专利技术通过人体姿态关键点信息的积累与学习，建立数据模型，由此可在监测到人体图像、视频信息时，提取关键点特征与模型中数据进行比对，分析人体的行动轨迹，并将该行动轨迹与人体实际的下一步的姿态关键点信息比对，此过程循环进行，可以分析人体姿态关键点信息的动作；
[0023]2.本专利技术的人体姿态关键点信息的动作分析，可以对人体行为进行预判。
附图说明
[0024]图1为本专利技术的分析方法的流程图。
具体实施方式
[0025]以下是本专利技术的具体实施例，结合附图对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。
[0026]如图1所示，一种基于人体姿态关键点信息的动作分析方法，包括如下步骤：S1)获取多组不同形态的人体的图像、以及对应的姿态关键点标注图像；S2)对所获取的姿态关键点标注图像进行关键点噪声与关键点缺失的补充；S3)对人体姿态关键点的时间域动态轨迹序列进行学习建模；S4)对姿态关键点标注图像进行区域分割；S5)对实时监控的人体获取的姿态关键点信息与所建模型进行比对，通过模型模拟出多种不同分割区域的下一阶段轨迹；S6)对模拟出的下一阶段轨迹与实时监控的人体的下一步姿态关键点信息进行匹配；S7)重复S5和S6，当无法进行匹配时，提示报警，并记录实时监控的人体的姿态关键点信息，供后续学习建模。
[0027]本专利技术中，通过检测人体行为表达过程中每一帧人体姿态关键部位的位置，将人体姿态简化为人体关键点，并通过人体姿态关键点信息的积累与学习，建立数据模型，由此可在监测到人体图像、视频信息时，提取关键点特征与模型中数据进行比对，分析人体下一步的行动轨迹，并将该行动轨迹与人体实际的下一步的姿态关键点信息比对，此过程循环进行，可以分析人体姿态关键点信息的动作(行为)，并可对其动作进行预判和报警。将此种分析方法应用于公共场所，如学校、医院等场所，可以有效的避免突发情况，保护人身、财产安全。
[0028]在本专利技术中，S1中姿态关键点可以包括15
‑
20个骨骼点，比如在UCF库中的15个骨骼点，该库中15个骨骼点不同的状态组合信息可以表达16个行为动作，再如MSRA3D库中的20个骨骼点，其不同的状态组合信息可以表达20个行为动作。
[0029]S1中姿态关键点标注图像包括静态的人体姿态图像与动态的人体姿态图像，其中动态的人体姿态图像包括姿态大小尺度变换图像、姿态位移尺度变换图像。姿态大小尺度变换图像由不同相机角度下捕获到的姿态关键点的空间位置、视角方向各不相同，姿态位移尺度变换图像为不同行为个体的差异造成相同人体姿态的尺寸大小、表观形状不完全相同。上述姿态关键点信息形成基础数据优于学习比对。
[0030]在基础数据的收集过程中，需要对人体姿态检测的造成的人体骨骼关键点丢失、或者关键点漂移进行补充更正。
[0031]传统机器学习算法中，将人体骨骼关键点看作时间域动态轨迹序列，可通过隐马尔科夫HMM、条件随机场CRFs、时域金字塔等模型求解，本专利技术中对时域骨骼关键点的特征提取方法为关键点的联合位置直方图分布、关键点3D位置的旋转与位移特征等；另外，在深度学习领域，可通过RNNs、LSTM、CNN等手段将时空域人体姿态关键点建模来完成分类识别。
[0032]S4中的区域分割为头部、躯干、上臂、下臂、大腿和小腿，这种方法将关节结构用带有动力学先验的树状图模型来表达。将身体关节划分为多个部分，躯干、头、左臂上、下，右臂上、下(如果考虑全身则还有左腿上、下，右腿上、下)。本专利技术通过分割区域(对应一个或多个姿态关键点)的整体动作作为分析依据，如拍球动作，可以分割出手臂、躯干和腿部的各自的动作状态、以及其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人体姿态关键点信息的动作分析方法，其特征在于，包括如下步骤：S1)获取多组不同形态的人体的图像、以及对应的姿态关键点标注图像；S2)对所获取的姿态关键点标注图像进行关键点噪声与关键点缺失的补充；S3)对人体姿态关键点的时间域动态轨迹序列进行学习建模；S4)对姿态关键点标注图像进行区域分割；S5)对实时监控的人体获取的姿态关键点信息与所建模型进行比对，通过模型模拟出多种不同分割区域的下一阶段轨迹；S6)对模拟出的下一阶段轨迹与实时监控的人体的下一步姿态关键点信息进行匹配；S7)重复S5和S6，当无法进行匹配时，提示报警，并记录实时监控的人体的姿态关键点信息，供后续学习建模。2.根据权利要求1所述的基于人体姿态关键点信息的动作分析方法，其特征在于，S1中姿态关键点包括15
‑
20个骨骼点。3.根据权利要求1或2所述的基于人体姿态关键点信息的动作分析方法，其特征在于，S1中所述姿态关键点标注图像包括静态的人体姿态图像与动态的人体姿态图像。4.根据权利...

【专利技术属性】
技术研发人员：李俊刚，周楠，魏春山，蒋维俊，秦俊霞，
申请(专利权)人：苏州喆鑫信息科技有限公司，
类型：发明
国别省市：