[发明专利]一种动作序列识别方法、系统及设备和存储介质

说明书

本申请公开了一种动作序列识别方法、系统及设备和计算机可读存储介质，该方法包括：获取原始图像数据，并对所述原始图像数据进行预处理操作得到待识别样本；对所述待识别样本中的每一帧图像进行特征提取，得到特征向量；将所述特征向量输入训练完成的LSTM神经网络中，得到动作序列识别结果。本申请提供的动作序列识别方法，首先对原始图像数据进行预处理操作，得到待识别样本，保证待识别样本中的每一帧图像都具有相同的尺寸和识别率，再对每一帧图像进行特征提取，并将提取得到的特征向量输入训练完成的LSTM神经网络中，从而得到动作序列识别结果。通过特征提取处理原始图像数据，再与LSTM神经网络结合，提高了动作序列的识别率。

技术领域

本申请涉及图像处理技术领域，更具体地说，涉及一种动作序列识别方法、系统及设备和一种计算机可读存储介质。

背景技术

近年来，人体动作识别的研究受到工业界的高度关注，其在视频监控、游戏和机器人等领域有着重要的应用。然而高效的动作识别算法非常具有挑战性：首先，不同的移动速度导致同一个动作在时间上的波动性；其次，许多动作具有相似性，比如高抛和挥手等；最后，不同人在高度、体态等方面的差异也会导致识别的困难。现有技术中动作序列识别方法，一般直接将图像数据作为深度学习网络的输入，然而直接使用未经处理的图像数据会影响最终动作序列的识别率。

因此，如何提高动作序列的识别率是本领域技术人员需要解决的问题。

发明内容

本申请的目的在于提供一种动作序列识别方法、系统及设备和一种计算机可读存储介质，提高了动作序列的识别率。

为实现上述目的，本申请提供了一种动作序列识别方法，包括：

获取原始图像数据，并对所述原始图像数据进行预处理操作得到待识别样本；

对所述待识别样本中的每一帧图像进行特征提取，得到特征向量；

将所述特征向量输入训练完成的LSTM神经网络中，得到动作序列识别结果。

其中，所述得到动作序列识别结果之后，还包括：

根据所述每一帧图像的识别率计算所述待识别样本的平均识别率。

其中，所述预处理操作包括翻转操作、下采样操作或切割操作中的任一项或几项的组合。

其中，将所述特征向量输入训练完成的LSTM神经网络中之前，还包括：

获取训练样本，并对所述训练样本中的每一帧图像进行特征提取，得到训练特征向量；

将所述训练特征向量输入LSTM神经网络中，并调节所述LSTM神经网络的关键参数直至所述LSTM神经网络输出的识别率达到预设值，以得到训练完成的LSTM神经网络。

其中，调节所述LSTM神经网络的关键参数，包括：

利用交叉验证方法和pair-wise算法调节所述LSTM神经网络的关键参数。

其中，所述LSTM神经网络的前向传播算法包括cell对时间的二级导数。

其中，对所述待识别样本中的每一帧图像进行特征提取，得到特征向量，包括：

S321：从所述待识别样本中确定目标图像，并获取目标图像的前一帧图像和后一帧图像；

S322：将所述目标图像、所述前一帧图像和所述后一帧图像组成所述目标图像对应的候选图像，并将所述候选图像中特征值大于特征预设值的点云确定为关键点；

S323：提取所有关键点的HOPC特征，并根据所有的HOPC特征确定所述目标图像的特征向量；

重复S321-S323直至所述待识别样本中的所有图像全部提取完成。