[发明专利]一种动作识别的方法和装置

权利要求书

1.一种动作识别的方法，其特征在于，包括：

利用模糊特征提取算法，从待测试的视频中提取相应的姿势向量；

利用K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；

查询预先建立的动作识别模型，以确定出所述动作向量对应的动作类型；其中所述动作识别模型的建立依据于近似核心极限学习机的最小偏差算法；

其中，所述近似核心极限学习机的最小偏差算法是在极限学习机引入近似核心得到近似核心极限学习机的基础上，加入最小偏差的处理方式得到的；所述近似核心处理方式是指只需计算一次核心矩阵，后续训练过程中依据所述核心矩阵进行训练；所述最小偏差的处理方式是指采用多视角处理，对同一个动作类型在不同视角下的视频进行映射整合处理；

在近似核心极限学习机的基础上加入最小偏差的处理方式，获得所述近似核心极限学习机的最小偏差算法的表达式为：其中，参数λ0，Φ＝[φ₁,...,φ_N]^T，φ是动作向量x_i的隐藏层网络输出的矩阵形式，φ₁是隐藏层网络的输出所对应的第1个动作向量x₁的矩阵向量，φ_N是隐藏层网络的输出所对应的第N个动作向量x_N的矩阵向量，T＝[t₁,...,t_N]是目标向量的矩阵形式，S＝ΦLΦ^T，L＝D-V，D的元素为V_ij表示矩阵V第i行第j列个元素，V∈R^N×N的元素是来自于Φ的拉普拉斯投影，R^N×N表示一个NⅹN的实数矩阵，N为N个动作向量，W_out为输出权重，

2.根据权利要求1所述的动作识别的方法，其特征在于，所述动作向量和动作类型的对应关系的建立过程包括：

利用所述模糊特征提取算法，从目标视频中获取相应的姿势向量；其中，所述目标视频对应的动作类型为已知信息；

利用所述K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量；

利用所述近似核心极限学习机的最小偏差算法，计算所述动作向量与所述动作类型的权重系数；

依据所述权重系数，确定出所述动作向量和所述动作类型的对应关系，以完成动作识别模型的建立。

3.根据权利要求1或2所述的动作识别的方法，其特征在于，所述利用K-means聚类算法，对所述姿势向量进行聚类分析，得到离散化的动作向量包括：

利用如下公式，计算所述姿势向量对应的模糊向量u_ij，

其中，P_ij表示第i个视频流的第j帧图片对应的姿势向量，v_d表示第d个动作类别的基本向量模型，m表示模糊参数且m＞1；

利用如下公式对所述模糊向量进行处理，计算出对应的动作向量x_i，

其中，N_i表示第i个视频流的帧图片的个数。

4.根据权利要求1所述的动作识别的方法，其特征在于，还包括：

当无法确定出所述动作向量对应的动作类型时，则向目标设备发送提示信息。

5.根据权利要求4所述的动作识别的方法，其特征在于，还包括：

接收所述目标设备反馈的动作类型；利用所述近似核心极限学习机的最小偏差算法，确定出待处理的动作向量和所述动作类型的对应关系，并将所述对应关系存储于预先建立的所述动作向量和动作类型的对应关系中。