【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体涉及一种基于骨骼点数据的人体行为识别方法。
技术介绍
1、人体行为识别是计算机视觉
中的一个重要问题，它的应用前景广阔，包括智能监控、人机交互、视频检索等。研究方法主要包括传统手工提取特征的方法和基于深度学习的方法。骨骼点数据是由多个人体关节的三维坐标组成的序列，是运动动力学的有效表示，与rgb视频图像和光流相比，骨骼点数据数据量更小，具有计算效率高的优势。因此，基于骨骼点数据的人体行为识别方法往往具有更轻量，更具泛化性的特点。
2、相关技术中，随着深度学习方法在计算机视觉领域的应用，基于骨骼点的人体行为识别得到了快速发展，代表性的工作主要有图卷积(graphconvolutionnetwork，gcn)和基于transformer的改进方法。
3、基于骨骼点数据进行人体行为识别目前存在的难点和挑战主要有：图卷积类的方法受限于固定的静态图拓扑结构，图结构难以扩展到时空维度，部分节点间难以直接构建依赖关系；基于transformer的自注意力机制基于全局关节点计算依赖权重，忽视了...
【技术保护点】
1.基于骨骼点数据的人体行为识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于骨骼点数据的人体行为识别方法，其特征在于，所述的步骤二中，单帧内的图结构采用无向图，邻接矩阵采用二进制矩阵,对于邻接矩阵，人体结构中直接相连的关节点赋值为1，其余为0，多帧内的关节掩码通过将矩阵按行列平铺扩展，具体计算公式为：
3.如权利要求1所述的基于骨骼点数据的人体行为识别方法，其特征在于，所述的步骤三中，卷积层包含第一卷积层、批归一化层和激活函数层，第一卷积层为二维卷积层，卷积核大小为1x1，第一维度是时间维度，第二维度是关节点维度，激活函数使用...
【技术特征摘要】
1.基于骨骼点数据的人体行为识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于骨骼点数据的人体行为识别方法，其特征在于，所述的步骤二中，单帧内的图结构采用无向图，邻接矩阵采用二进制矩阵,对于邻接矩阵，人体结构中直接相连的关节点赋值为1，其余为0，多帧内的关节掩码通过将矩阵按行列平铺扩展，具体计算公式为：
3.如权利要求1所述的基于骨骼点数据的人体行为识别方法，其特征在于，所述的步骤三中，卷积层包含第一卷积层、批归一化层和激活函数层，第一卷积层为二维卷积层，卷积核大小为1x1，第一维度是时间维度，第二维度是关节点维度，激活函数使用relu激活函数。
4.根据权利要求1所述的基于骨骼点数据的人体行为识别方法，其特征在于，所述的步骤四中，元组划分通过张量形状重塑实现，具体计算公式为：
5.如权利要求4所述的基于骨骼点数据的人体行为识别方法，其特征在于，所述的步骤四中，位置编码采用正余弦函数编码，具体计算公式如下：
6.根据权利要求...
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。