[發明專利]一種基于Citation-KNN的人體動作識別方法

有效

• 申請號: 201810234650.0
• 申請日: 2018-03-21
• 公開（公告）號: CN108520205B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 郭星;李黃劃;張以文;李煒
• 申請（專利權）人: 安徽大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V20/40;G06V10/764
• 代理公司: 合肥市長遠專利代理事務所(普通合伙) 34119
• 代理人: 段曉微;葉美琴

本發明公開了一種基于Citation?KNN的人體動作識別方法，包括：獲取測試樣本；通過幀差法提取測試樣本動作序列中的關鍵幀；對Hausdorff距離進行優化，并根據優化的Hausdorff距離計算被提取關鍵幀的測試樣本在訓練集中的c個近鄰樣本和r個索引樣本；基于近鄰樣本和索引樣本構建分函數，并根據評分函數計算測試樣本中每個動作類別的分數，得到測試樣本中分數最高的動作類別作為測試樣本的目標測試動作類別，輸出目標測試動作類別。

技術領域

本發明涉及計算機視覺技術領域，尤其涉及一種基于Citation-KNN的人體動作識別方法。

背景技術

目前，計算機視覺中的人體動作識別越來越受到人們的關注，并且該技術已經有了廣泛地應用，例如：動畫電影、高端電腦游戲、生物力學、機器人、步態分析和康復以及機器手語翻譯。隨著經濟高效的深度傳感器的出現和快速人體姿態估計算法的發展，基于骨架的人體動作識別方法已經成為人體動作識別中的重要方法。

目前，動作識別方法有：使用隱馬爾可夫模型來進行動作識別，但是該方法訓練的數據量有限且易出現過擬合，通過傅立葉時間金字塔來減輕噪聲數據和時間不對準的影響，但該方法需要在骨架描述符上進行特征選擇過程，并且在動作序列描述上需要多個內核學習過程，以獲得最新的結果；采用聚類技術將基本描述符被量化為單詞，產生一個碼本，然后將動作信息表示為量化描述符的直方圖，然而，該方法丟棄了全局時間，因為只考慮單詞的存在，而不考慮它們的時間位置；將循環神經網絡(RNN)運用到人體動作識別中，該方法是非常靈活的時間序列分類器，可以為上下文時間信息建模，但是該方法需要仔細參數調整來避免過擬合和梯度消失問題。

發明內容

基于背景技術存在的技術問題，本發明提出了一種基于Citation-KNN的人體動作識別方法；

本發明提出的一種基于Citation-KNN的人體動作識別方法，包括：

S1、獲取測試樣本；

S2、通過幀差法提取測試樣本動作序列中的關鍵幀；

S3、對Hausdorff距離進行優化，并根據優化的Hausdorff距離計算被提取關鍵幀的測試樣本在訓練集中的c個近鄰樣本和r個索引樣本；

S4、基于近鄰樣本和索引樣本構建評分函數，并根據評分函數計算測試樣本中每個動作類別的分數，得到測試樣本中分數最高的動作類別作為測試樣本的目標測試動作類別，輸出目標測試動作類別。

優選地，步驟S2，具體包括：

S21、定義關鍵幀集合KF以及對應的關鍵幀權重集合KFW；

S22、計算測試樣本動作序列中每幀的幀差距離；

S23、計算測試樣本動作序列中幀差距離平均值；

S24、將每幀的幀差距離均與幀差距離平均值進行比較，當某幀的幀差距離大于幀差距離平均值時，將該幀關節點信息插入KF，將該幀的幀差距離插入KFW；

S25、對KFW中每一個元素KFW_P進行歸一化處理，完成對測試樣本動作序列中的關鍵幀提取，其中，歸一化處理公式為：

其中，SUM(KFW)表示KFW中元素的總和。

優選地，步驟S3，具體包括：

S31、將人體關節點的權重和幀關節點的時間序列信息加入到Citation-KNN算法的歐氏距離中對Hausdorff距離進行優化；

S32、根據Citation-KNN算法計算被提取關鍵幀的測試樣本在訓練集中的c個近鄰樣本和r個索引樣本。

優選地，步驟S31，具體包括：