[發明專利]模型訓練方法、動作識別方法、裝置、設備及存儲介質

在審

• 申請號: 202011133950.3
• 申請日: 2020-10-21
• 公開（公告）號: CN112257579A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 李澤遠;王健宗;肖京
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 深圳市力道知識產權代理事務所(普通合伙) 44507
• 代理人: 張傳義

本申請涉及人工智能和模型構建領域，具體使公開了一種動作識別模型訓練方法、動作訓練方法、裝置、設備及存儲介質，所述方法包括：獲取視頻圖像、動作數據和視頻圖像、動作數據對應的動作標簽；基于視頻圖像和對應的動作標簽對雙流卷積神經網絡進行網絡訓練，得到網絡模型和預測結果；基于動作數據和對應的動作標簽對分類器進行訓練，得到分類模型和分類結果；將網絡模型和分類模型合并得到本地識別模型，以及根據預測結果和分類結果得到本地識別結果；將本地識別模型和本地識別結果上傳進行聯合學習，得到學習參數；接收學習參數，并根據學習參數更新本地識別模型。用于提高訓練得到的動作識別模型的識別準確率。

技術領域

本申請涉及人工智能領域，尤其涉及一種動作識別模型訓練方法、動作訓練方法、裝置、設備及存儲介質。

背景技術

在人際交互與協作、智能看護、智能監護以及運動分析等領域中，均需要對人體的動作行為進行識別，來判斷人的行為類別。但傳統的動作識別方法大多是利用計算機圖像處理方法來提取視頻幀中的運動軌跡和人物特征，然后訓練分類器來識別人體行為，準確率較低且識別速度較慢。而利用卷積神經網絡等方法構建的動作識別模型由于樣本數量較少，也導致訓練效果不夠理想，進而導致識別準確率不高。

因此，如何提高訓練得到的動作識別模型的識別準確率成為亟待解決的問題。

發明內容

本申請提供了一種動作識別模型訓練方法、動作訓練方法、裝置、設備及存儲介質，以提高訓練得到的動作識別模型的識別準確率。

第一方面，本申請提供了一種動作識別模型訓練方法，所述方法包括：

獲取視頻圖像、動作數據和所述視頻圖像、動作數據對應的動作標簽；基于所述視頻圖像和對應的動作標簽對雙流卷積神經網絡進行網絡訓練，得到訓練完成的網絡模型和預測結果；基于所述動作數據和對應的動作標簽對預先配置的分類器進行訓練，得到訓練完成的分類模型和分類結果；將所述訓練完成的網絡模型和所述訓練完成的分類模型合并得到本地識別模型，以及根據所述預測結果和所述分類結果得到本地識別結果；將所述本地識別模型的模型參數和所述本地識別結果上傳至云服務器進行聯合學習，以得到學習參數；接收所述云服務器發送的學習參數，并根據所述學習參數更新所述本地識別模型，將更新后的所述本地識別模型作為訓練完成的動作識別模型。

第二方面，本申請還提供了一種動作識別方法，所述方法包括：

獲取待識別圖像和所述待識別圖像對應的運動數據；將所述待識別圖像和所述運動數據輸入預先訓練的動作識別模型進行動作識別，得到識別結果；其中，所述預先訓練的動作識別模型為上述的動作識別模型訓練方法訓練得到的。

第三方面，本申請還提供了一種動作識別模型訓練裝置，所述裝置包括：

樣本獲取模塊，用于獲取視頻圖像、動作數據和所述視頻圖像、動作數據對應的動作標簽；網絡訓練模塊，用于基于所述視頻圖像和對應的動作標簽對雙流卷積神經網絡進行網絡訓練，得到訓練完成的網絡模型和預測結果；分類訓練模塊，用于基于所述動作數據和對應的動作標簽對預先配置的分類器進行訓練，得到訓練完成的分類模型和分類結果；模型合并模塊，用于將所述訓練完成的網絡模型和所述訓練完成的分類模型合并得到本地識別模型，以及根據所述預測結果和所述分類結果得到本地識別結果；聯合學習模塊，用于將所述本地識別模型的模型參數和所述本地識別結果上傳至云服務器進行聯合學習，以得到學習參數；模型更新模塊，用于接收所述云服務器發送的學習參數，并根據所述學習參數更新所述本地識別模型，將更新后的所述本地識別模型作為訓練完成的動作識別模型。

第四方面，本申請還提供了一種動作識別裝置，所述裝置包括：

數據獲取模塊，用于獲取待識別圖像和所述待識別圖像對應的運動數據；動作識別模塊，用于將所述待識別圖像和所述運動數據輸入預先訓練的動作識別模型進行動作識別，得到識別結果；其中，所述預先訓練的動作識別模型為上述的動作識別模型訓練方法訓練得到的。