[发明专利]一种基于人体运动步态和姿态的情绪识别方法及系统

说明书

本发明涉及一种基于人体运动步态和姿态的情绪识别方法及系统，其方法包括：S1：对人体步态序列数据集进行预处理，构建样本集；S2：对样本集中步态数据进行预处理，得到根关节的位置和绝对速度以及其他20个关节的相对于根关节的相对位置和相对速度；S3：根据预定义的12个姿态特征，选取5个最能区分不同情绪的姿态特征；S4：构建人体运动步态和姿态的情绪识别模型，包含：步态情绪提取模块、姿态情绪提取模块以及分类器，将关节的相对位置、相对速度和5个姿态特征输入人体运动步态和姿态的情绪识别模型，输出各种情绪对应的概率。本发明提供的方法，能够提高基于步态和姿态的情绪识别的准确率，不需要高分辨率图片，适用范围更广。

技术领域

本发明涉及人工智能领域，具体涉及一种基于人体运动步态和姿态的情绪识别方法及系统。

背景技术

感知人的情绪是智能交互和情感计算的重要部分，它涉及心理学、计算机科学和认知行为学等多个领域。情感识别可用于人机交互，使智能系统能够更好地理解人的情感，从而与人更好地合作。比如，智能机器人通过向自闭症儿童展示不同步态及表达的情感，帮助自闭症儿童更好地理解情绪、安全监控的摄像头可以通过行人的步态识别情绪，为愤怒情绪下故意伤人事故的发生做预警，有利于减少人员伤亡，为公共安全助力。

近年来，机器学习和深度学习算法的发展为基于步态和姿态的情绪识别研究提供了可靠的技术手段，例如，可以通过监控摄像头采集人的运动过程，运用深度学习算法提取人员运动过程中全身关节的实时位置等步态信息，使用多种机器学习方法对采集到的步态特征进行情绪分类等。随着深度学习的发展，自动情感识别愈发受到人们的关注，成为国内外学者研究的热点。

但是，现有技术存在以下缺点：

传统的机器学习分类方法如随机森林、多层感知机(MLP)和支持向量机(SVM)的分类准确率往往较低。卷积神经网络具有自学能力，能够学习人体步态的空间信息，长短期记忆神经网络可以处理时序特征，但是不考虑分层注意力(如只在关节水平)地搭建由卷积算子和长短期记忆算子组成的网络架构来识别步态情绪的准确率还是较低，原因之一是人体情感在步态中的表达是通过各运动链的运动和配合实现的。

发明内容

为了解决上述技术问题，本发明提供一种基于人体运动步态和姿态的情绪识别方法及系统。

本发明技术解决方案为：一种基于人体运动步态和姿态的情绪识别方法，包括：

步骤S1：对人体步态序列数据集进行预处理，构建样本集；

步骤S2：对所述样本集中步态数据进行预处理，得到根关节的位置和绝对速度以及其他20个关节的相对于所述根关节的相对位置和相对速度；

步骤S3：根据预定义的12个姿态特征，选取5个最能区分不同情绪的姿态特征；

步骤S4：构建人体运动步态和姿态的情绪识别模型，包含：步态情绪提取模块、姿态情绪提取模块以及分类器；其中，将关节的所述相对位置和所述相对速度输入步态情绪提取模块，输出步态时空特征；将所述姿态特征输入姿态情绪提取模块，输出姿态时空特征；将所述步态时空特征和所述姿态时空特征输入所述分类器，输出各种情绪的概率。

本发明与现有技术相比，具有以下优点：

本发明公开了一种基于人体运动步态和姿态的情绪识别方法，从集成步态和姿态的空间和时间信息的角度出发，能够提高基于步态和姿态的情绪识别的准确率，且相比基于面部表情的方法，不需要高分辨率图片，适用范围更广。本发明提供的方法可用于人机交互，如智能机器人通过向自闭症儿童展示不同步态及表达的情感，帮助自闭症儿童更好地理解情绪、安全监控的摄像头可以通过行人的步态识别情绪，为愤怒情绪下故意伤人事故的发生做预警，有利于减少人员伤亡，为公共安全助力。

附图说明

图1为本发明实施例中一种基于人体运动步态和姿态的情绪识别方法的流程图；