[发明专利]一种用于建立动作识别模型的方法及系统

说明书

本发明公开了一种用于建立动作识别模型的方法，包括：获取动作样本的骨架位置序列，根据所述骨架位置序列获取每个动作个体中各节点的坐标，所述骨架位置序列中包括多个节点；根据各节点的坐标获取每个动作个体的特征向量，并根据所述特征向量，获取多个动作大类以及各动作大类的动作特征；根据所述动作特征，建立各动作大类的动作识别模型。本发明通过获取每个动作个体的特征向量，以实现所有动作样本的自动聚类，与现有技术的人工干预进行聚类相比，具有提高推广性的优点。

技术领域

本发明涉及数据动作分析领域，具体涉及一种用于建立动作识别模型的方法及系统。

背景技术

从图像序列中识别出人体动作是模式识别、人机交互领域的一个基础问题，近些年得到了越来越多的关注并且取得了巨大的进展。人体动作识别在人机交互、医疗保健、视频监控和娱乐设备等方面具有非常广泛的应用。根据输入数据的不同，现有的动作识别算法可以分为基于深度图的算法和基于3D骨架的算法。

基于深度图的算法以场景的深度图序列作为输入数据进行动作识别。对深度图进行前景分割得到人体部分，通过对人体深度图提取特征进行模式匹配，从而识别人体动作。然而该算法的识别准确率严重依赖于深度图的精度和完整性，如果深度信息噪声太大或者人体部分有缺失，则会严重影响识别的准确率。同时，由于该算法需要在深度图上进行特征提取，其时间复杂度会很高。

基于3D骨架的算法则采用了人体骨架的3D位置作为输入数据进行动作识别。人体骨架是由人体的多个关节点(如肩、手肘、膝盖等)及其连接构成的人体模型，而人体动作可以通过骨架的3D位置运动来精确地描述。目前人体骨架已经可以通过姿势识别算法实时可靠地从深度图中提取出来。由于骨架的有效性和简洁性，基于3D骨架的算法可以大大减小噪声的影响，同时也降低了时间复杂度。对基于3D骨架所提取的特征，有些算法使用最近邻方法来进行模式匹配。其缺点是没有考虑帧序列的时间关系，从而使得动作的识别准确率较低。

近些年，图模型被广泛应用在模式识别的各个领域，由于其可以将动作的状态跳转建模为有向图的结点及边，对于动作的描述非常有效，所以被应用在动作识别领域。与此同时，很多算法在提取特征时没有考虑动作的局部性，将骨架的全部关节点用于特征提取，从而导致对于相似动作的识别准确率较低。有技术人员在《光学仪器与技术》国际会议上提出一种层级模型的算法。该算法将骨架节点分为5个部件，根据动作与5个部件的相关程度手动地将动作划分为几个大类，从而将动作识别转化为两层的决策过程。其中第一层决定动作所属大类，第二层再最终判定动作类别，并且在第二层中只从相关的关节点提取特征，因此识别准确率有所提高。但该算法是通过人工干预进行聚类，不具有推广性。

发明内容

针对现有技术中的缺陷，本发明提供了一种用于建立动作识别模型的方法及系统，该方法通过获取每个动作个体的特征向量，以实现所有动作样本的自动聚类，具有推广性高的优点。

本发明提出了一种用于建立动作识别模型的方法，其特征在于，包括：

获取动作样本的骨架位置序列，根据所述骨架位置序列获取每个动作个体中各节点的坐标，所述骨架位置序列中包括多个节点；

根据各节点的坐标获取每个动作个体的特征向量，并根据所述特征向量，获取多个动作大类以及各动作大类的动作特征；

根据所述动作特征，建立各动作大类的动作识别模型。

可选的，所述根据每个动作个体的特征向量，获取多个动作大类以及各动作大类的动作特征，包括：

根据所述特征向量，对所有动作个体进行聚类，获取多个动作大类；

根据所述特征向量，获取与每个动作个体相关的节点，并根据与每个动作个体相关的节点的坐标，获取各动作大类的动作特征。

可选的，所述根据所述动作特征，建立各动作大类的动作识别模型，包括：