[发明专利]一种动作识别的方法和装置

说明书

本发明实施例公开了一种动作识别的方法和装置，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。运用模糊特征提取经由K‑means聚类处理的方式，提高了特征提取的速度。依据于近似核心极限学习机的最小偏差算法建立动作识别模型，在保持高精度的情况下，降低了计算复杂度、减少了运存损耗。并且，在进行动作识别时，直接查询该动作识别模型即可确定出动作向量对应的动作类型，极大的提高了动作识别的效率。

技术领域

本发明涉及视频监控技术领域，特别是涉及一种动作识别的方法和装置。

背景技术

随着人工智能的发展，动作识别技术的应用越来越广泛，例如，人机交互、增强现实(Augmented Reality，AR)、智能视觉监控。以智能视觉监控为例，是利用计算机视觉技术对视频信号进行处理、分析和理解，在不需要人为干预的情况下，通过对序列图像自动分析对监控场景中的变化进行定位、识别和跟踪，并在此基础上分析和判断目标物体的行为，能在异常情况发生时及时发出警报或提供有用信息，有效地协助安全人员处理危机，并最大限度地降低误报和漏报现象。由此可知，在视频监控领域中，准确的识别目标物体的动作具有重要的意义。

目标物体的动作识别可以划分为特征提取和动作识别两部分。现有技术中，通常采用尺度不变特征变换(Scale-Invariant Features Transform，SIFT)、加速稳健特征(Speeded Up Robust Features,SURF)或者是方向梯度直方图(Histogram of OrientedGradient,HOG)等算法进行特征提取。在特征提取的基础上，依据K近邻、拉普拉斯-支持向量机或者极限学习机等算法进行动作识别，从而判断出目标物体执行的是何种动作。依据上述算法进行动作识别时，为了保证判断的精度，算法的时间复杂度会较高，从而需要花费较多的时间并且消耗较大的内存，才能实现动作识别，导致动作识别的效率较低。

可见，如何在保证精度的情况下提高动作识别的效率，是本领域技术人员亟待解决的问题。

发明内容

本发明实施例的目的是提供一种动作识别的方法和装置，可以在保证精度的情况下提高动作识别的效率。

为解决上述技术问题，本发明实施例提供一种动作识别的方法，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。

可选的，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。

可选的，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，