[发明专利]一种基于骨骼关键点检测的人体动作识别方法

权利要求书

1.一种基于骨骼关键点检测的人体动作识别方法，其特征在于，具体按照以下步骤实施：

步骤1、获取计算机视觉系统的每个标准动作的多个视频段，对每个所述视频段进行数据预处理；

步骤2、采用关键点检测网络对所述数据预处理后的视频段的每帧图像进行关键点信息提取，形成该视频段的多个关键特征向量；

步骤3、根据每个视频段的多个所述关键特征向量建立每个视频段对应的预先动作识别模型；

步骤4、对实时人体运动视频使用关键点检测网络提取实时关键点信息，生成实时关键特征向量；

步骤5、采用人体运动识别算法对人体动作进行识别。

2.根据权利要求1所述的一种基于骨骼关键点检测的人体动作识别方法，其特征在于，对所述视频段进行数据预处理具体过程为：当每个动作视频段的帧数大于或小于某一固定值，采用均匀抽帧或者运动补偿插帧的方式将视频段帧数统一。

3.根据权利要求1所述的一种基于骨骼关键点检测的人体动作识别方法，其特征在于，所述步骤2具体过程为：基于CenterNet网络和堆叠Hourglass沙漏网络的多特征融合算法对所述数据预处理后的视频的每帧图像进行关键点信息提取，将每帧图像的关键点信息生成一组关键特征向量，形成该视频段的多个关键特征向量。

4.根据权利要求3所述的一种基于骨骼关键点检测的人体动作识别方法，其特征在于，所述将每帧图像的关键点信息生成一组关键特征向量具体过程为：

每帧图像有n个关键点，将上述n个关键点坐标组成一个n行2列的矩阵，然后使用公式(λE-A)x＝0，求解出上述矩阵的特征值，再带入上述公式中求解该矩阵对应的特征向量，即为一组关键特征向量。

5.根据权利要求1所述的一种基于骨骼关键点检测的人体动作识别方法，其特征在于，所述步骤3的具体步骤为：

步骤3.1、对每个视频段的多个关键特征向量采用加权平均方法计算该视频段的均值特征向量作为该动作的识别模型；

步骤3.2、将该动作的识别模型对应动作进行标签标定，存储到数据库中，获得每个视频段对应的预先动作识别模型。

6.根据权利要求1所述的一种基于骨骼关键点检测的人体动作识别方法，其特征在于，步骤5具体过程为：基于实时关键特征向量和每个视频段对应的预先动作识别模型，使用加权K-近邻算法分别计算实时关键特征向量和每个视频段对应的预先动作识别模型相似度，最高相似度对应的标准动作即为该实时人体运动视频对应的动作。

7.根据权利要求6所述的一种基于骨骼关键点检测的人体动作识别方法，其特征在于，所述加权K-近邻算法具体过程为：

计算实时关键特征向量与各个均值特征向量的距离，对距离进行排序，选取前K个值，对前K个值根据距离大小通过高斯函数添加不同权重，然后使用函数：计算各个类的权重和，选取类权重和最大的均值特征向量对应的标准动作作为最终的动作分类。