【技术实现步骤摘要】
本专利技术涉及数据处理，特别涉及一种人体骨骼动作识别方法及系统。
技术介绍
1、随着人工智能技术的兴起以及智能化时代的推进，人体行为识别技术也日趋成熟，并且被赋予了很多现实意义，在虚拟现实、智能监控以及运动分析等领域已经得到了广泛的应用。
2、其中，现有的人体行为识别的本质就是从视频、图像或者骨骼序列中提取出人体的动作特征，并进行对应的分类识别，以进一步识别出具体的动作种类，在此之中，由于骨骼序列数据具有抗背景干扰能力强的特点，同时数据稀疏和易于获取，从而得到了深入的应用。
3、进一步的，现有技术大部分通过一维时间卷积来提取出骨骼序列数据，然而，此种提取方式在空间维度上对骨架连接关系中的特征的提取能力有限，导致提取的特征不够全面，另外，在时间维度上会在每个时间步长中混淆时间顺序，导致会出现对一些时间顺序敏感的动作误判的现象，从而对应降低了用户的使用体验。
技术实现思路
1、基于此，本专利技术的目的是提供一种人体骨骼动作识别方法及系统，以解决现有技术对人体骨骼动作识别不够全面，同时容易出现动作误判的问题。
2、本专利技术实施例第一方面提出了：
3、一种人体骨骼动作识别方法，其中，所述方法包括：
4、通过预设采集装置实时获取人体运动过程中产生的骨骼运动序列，并根据所述骨骼运动序列计算出对应的骨骼特征以及角度特征，且将所述骨骼运动序列划分成对应的训练集以及验证集；
5、基于预设规则对所述骨骼特征以及所述角度特征进行融
6、对预设图卷积以及预设因果卷积进行堆叠处理，以生成对应的时空特征提取模块，并将预设全局池化层以及预设全连接层融合至所述时空特征提取模块中，以生成对应的初始动作识别模型；
7、通过所述训练集以及所述验证集分别对所述初始动作识别模型进行迭代训练，以生成对应的目标动作识别模型，并通过所述目标动作识别模型识别出与所述骨骼运动序列对应的动作类别。
8、本专利技术的有益效果是：通过实时采集人体运动过程中所对应产生的骨骼运动序列，基于此，就能够进一步分析出对应的骨骼特征以及角度特征，与此同时，制备出用于后续训练的训练集以及验证集，进一步的，对当前骨骼特征以及角度特征进行融合处理，以生成用于构建出模型的空间特征，与此同时，获取到与当前空间特征对应的骨架时间序列，基于此，进一步构建出需要的初始动作识别模型，在此基础之上，为了确保当前初始动作识别模型的识别精确度，需要进一步通过上述训练集以及验证集进行对应的训练，并最终能够生成用于准确识别人体动作的目标动作识别模型，且能够通过该目标动作识别模型识别出人体的动作，同时识别的精准度较高，识别范围广，对应大幅提升了用户的使用体验。
9、进一步的，所述通过预设采集装置实时获取人体运动过程中产生的骨骼运动序列的步骤包括：
10、通过惯性传感器以及深度摄像头实时捕捉人体产生的连续肢体动作，并在所述连续肢体动作中实时提取出对应的初始骨骼运动序列；
11、在所述初始骨骼运动序列中提取出对应的骨架序列，并实时检测出与所述骨架序列对应的运动帧数；
12、对所述骨架序列以及所述运动帧数进行调整，以对应生成所述骨骼运动序列，所述骨架序列以及所述运动帧数均包含有具体的数值。
13、进一步的，所述对所述骨架序列以及所述运动帧数进行调整，以对应生成所述骨骼运动序列的步骤包括：
14、当实时获取到所述骨架序列时，实时检测出所述骨架序列中包含的若干关节点，并实时检测出与每一所述关节点分别对应的三维笛卡尔坐标；
15、将每一所述关节点的三维笛卡尔坐标均调整至预设位置，并将所述骨架序列的运动帧数统一调整至预设值，以对应生成所述骨骼运动序列。
16、进一步的，所述基于预设规则对所述骨骼特征以及所述角度特征进行融合处理，以生成对应的空间特征的步骤包括：
17、当实时获取到所述骨骼特征以及所述角度特征时，实时构建出所述骨骼特征与所述角度特征之间的映射关系，并基于所述映射关系对所述骨骼特征以及所述角度特征进行整合处理，以生成对应的特征骨架；
18、将所述特征骨架依次输入至预设先验混合图卷积以及预设动态门控图卷积中，并通过所述预设先验混合图卷积计算出与所述特征骨架对应的距离图、通过所述预设动态门控图卷积计算出与所述特征骨架对应的动态图；
19、根据所述距离图以及所述动态图对应生成所述空间特征。
20、进一步的，所述通过所述预设先验混合图卷积计算出与所述特征骨架对应的距离图的步骤包括：
21、在所述特征骨架中的骨架脊柱中随机选取出一目标关节点，并将所述目标关节点设定对应的源节点；
22、根据所述源节点将所述特征骨架拆分成对应的有根树，并在所述有根树中将距离相同的关节点依次连接在一起、将距离不同的关节点依次连接在一起，以对应生成所述距离图，所述源节点具有唯一性。
23、进一步的，所述通过所述预设动态门控图卷积计算出与所述特征骨架对应的动态图的步骤包括：
24、通过预设嵌入函数将所述特征骨架嵌入到低维特征，以生成对应的特征图，并根据所述特征图生成对应的特征矩阵；
25、根据所述特征矩阵计算出对应的邻接矩阵，并通过所述邻接矩阵对所述特征骨架进行各个关节点之间的特征提取处理，以对应生成所述动态图，所述邻接矩阵具有唯一性。
26、进一步的，所述预设因果卷积算法的表达式为：
27、
28、其中，caucanv（s）表示所述时间特征，s-i表示历史空间特征数量，i表示第i个空间特征，k-1表示填充长度，x表示所述空间特征，k表示卷积核的大小。
29、本专利技术实施例第二方面提出了：
30、一种人体骨骼动作识别系统，其中，所述系统包括：
31、采集模块，用于通过预设采集装置实时获取人体运动过程中产生的骨骼运动序列，并根据所述骨骼运动序列计算出对应的骨骼特征以及角度特征，且将所述骨骼运动序列划分成对应的训练集以及验证集；
32、计算模块，用于基于预设规则对所述骨骼特征以及所述角度特征进行融合处理，以生成对应的空间特征，并通过预设因果卷积算法实时提取出所述骨骼运动序列中的时间特征；
33、融合模块，用于对预设图卷积以及预设因果卷积进行堆叠处理，以生成对应的时空特征提取模块，并将预设全局池化层以及预设全连接层融合至所述时空特征提取模块中，以生成对应的初始动作识别模型；
34、训练模块，用于通过所述训练集以及所述验证集分别对所述初始动作识别模型进行迭代训练，以生成对应的目标动作识别模型，并通过所述目标动作识别模型识别出与所述骨骼运动序列对应的动作类别。
35、进一步的，所述采集模块具体用于：
36、通过惯性传感器以及深度摄像头实时捕捉人本文档来自技高网...
【技术保护点】
1.一种人体骨骼动作识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的人体骨骼动作识别方法，其特征在于：所述通过预设采集装置实时获取人体运动过程中产生的骨骼运动序列的步骤包括：
3.根据权利要求2所述的人体骨骼动作识别方法，其特征在于：所述对所述骨架序列以及所述运动帧数进行调整，以对应生成所述骨骼运动序列的步骤包括：
4.根据权利要求1所述的人体骨骼动作识别方法，其特征在于：所述预设因果卷积算法的表达式为：
5.一种人体骨骼动作识别系统，其特征在于，用于实现如权利要求1至4中任意一项所述的人体骨骼动作识别方法，所述系统包括：
6.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的人体骨骼动作识别方法。
7.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任意一项所述的人体骨骼动作识别方法。
【技术特征摘要】
1.一种人体骨骼动作识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的人体骨骼动作识别方法，其特征在于：所述通过预设采集装置实时获取人体运动过程中产生的骨骼运动序列的步骤包括：
3.根据权利要求2所述的人体骨骼动作识别方法，其特征在于：所述对所述骨架序列以及所述运动帧数进行调整，以对应生成所述骨骼运动序列的步骤包括：
4.根据权利要求1所述的人体骨骼动作识别方法，其特征在于：所述预设因果卷积算法的表达式为：
...
【专利技术属性】
技术研发人员：柳凌峰，臧拓，涂建锋，段梦然，
申请(专利权)人：华东交通大学，
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。