[发明专利]一种人体动作识别方法

说明书

技术领域

本发明涉及计算机视觉和模式识别领域，尤其是涉及一种人体动作识别方法。

背景技术

在日常生活中，通过肉眼来识别人体动作是件非常简单的事。但是通过计算机视觉系统来实现对人体动作的自动分类，是件非常复杂和具有挑战性的工作。其中，有许多问题需要解决，比如，人体动作信息的捕获、训练样本的学习、相似动作模式在其时间与空间中的微小变化的识别以及人的行为意图的获取等。目前，人体动作识别技术还不够成熟，还有很长的路要走，该项研究面临的主要困难有：

(1)人体结构与动作

人体是由一系列的骨骼关节所构成的复杂有机体，其动作是由相关骨骼驱动产生不同姿势组成。人体动作是高度复杂的非刚体动作，在人体动作期间呈现出复杂的动作特征。由于人的体型、动作习惯的不同，以及不同人做同种动作也会有明显的差异，这无疑为人体动作识别增大了技术难度。

(2)人体动作的切割

要识别的人体动作通常是由一系列的动作姿势组成的，这些姿势之间无明显的界限，它们具有持续性，因此对这些连续动作的切割是一个难题。目前主要对单个动作的识别进行了大量的研究，对连续动作的研究还很少，也缺乏考虑涵盖四肢精细复杂姿势的人体动作。

(3)人体的高维表示

人体动作识别首先遇到的问题是人体动作的跟踪和重建，为了更真实地描述人体动作与便于计算，目前大多选用人体模型来表示，即人体骨架模型。专家们一般需要人体模型的60个左右的关节参数实现对人体动作的精确估计，但是超过60维的参数空间中的最优参数估计的计算是非常复杂的，并且需要消耗大量的时间。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于帧选模型的人体动作识别方法，结合模糊支持向量机，以实现更准确快速的人体动作识别。

本发明的目的可以通过以下技术方案来实现：

一种人体动作识别方法，包括以下步骤：

S1，获取包含人体动作识别特征数据的连续图像帧，所述的特征数据为人体多个骨骼关节点的深度图像数据；

S2，使用基于累积运动能量的帧选择算法，筛选出有效图像帧，将有效图像帧中的特征数据作为待测数据；

S3，构建待测数据的静态姿势特征向量F_cc、连续动作特征向量F_cp和整体动作特征向量F_co作为动作特征，所述的静态特征向量F_cc表示一帧图像中，人体各个躯干的位置向量信息，所述的连续动作特征向量F_cp表示一帧图像相对其前一帧图像的骨骼关节点的位移变化，所述的整体动作特征向量F_co表示一帧图像相对于首帧图像的骨骼关节点的位移变化；

S4，构建最终特征向量F_c，F_c＝[F_cc,F_cp,F_co]；

S5，对最终特征向量F_c降维；

S6，使用训练好的模型分类器对降维后最终特征向量F_c进行动作识别，得到识别结果。

所述的步骤S1中，通过Kinect设备采集图像帧，特征数据包括人体20个骨骼关节点的深度图像数据。

所述的步骤S2中，帧选择算法包括：对于同一个动作，按照图像帧顺序，从第二帧开始计算当前帧三维深度图像的动作能量图的和AME(i)，将当前帧与上一帧进行比较，若AME(i)-AME(i-1)＞ε，则将当前帧作为有效图像帧进行保留，否则舍弃当前帧，然后进行下一帧的计算，直到最后一帧，

当AME(i)-AME(i-1)＞ε

其中，i表示帧的序号，表示第j帧三维深度图像被投射到三维坐标轴得到的三维坐标，其中v表示坐标轴，v∈{1,2,3}，ε是帧选择算法设定的阈值，0<ε<1。AME(i)计算得到这个动作能量图的和，每一帧的动作能量图通过两个连续的帧之间累积差计算获得。

所述的步骤S3中，静态姿势特征向量F_cc、连续动作特征向量F_cp和整体动作特征向量F_co的表达式分别为：