[發明專利]一種人體姿態識別方法、系統、電子設備及存儲介質

有效

• 申請號: 202211441234.0
• 申請日: 2022-11-17
• 公開（公告）號: CN115496170B
• 公開（公告）日: 2023-02-17
• 發明（設計）人: 高軍峰;張宇;張冰洋;向杰;曹書琪;黃龍;付君雅
• 申請（專利權）人: 中南民族大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/762
• 代理公司: 武漢藍寶石專利代理事務所(特殊普通合伙) 42242
• 代理人: 謝洋

1.一種人體姿態識別方法，其特征在于，所述方法包括：

基于預設算法對獲取的初始點云數據進行預處理，得到噪聲分離后的人體運動點云數據；

對所述人體運動點云數據中多個點進行關聯，獲取其對應的多個特征信息；

基于所述人體運動點云數據和所述多個特征信息對預設的分類識別模型進行訓練，得到訓練完成的姿態識別模型，其中，所述得到訓練完成的姿態識別模型的步驟包括：基于所述多個特征信息構建對應的預設的分類識別模型，所述預設的分類識別模型為高階因子分解模型；基于所述高階因子分解模型對所述人體運動點云數據和所述多個特征信息進行交叉學習，直至滿足預設學習率時，得到訓練完成的姿態識別模型；所述高階因子分解模型為：

；

其中，是目標函數，和是權重因子，、和表示特征變量，、和表示隱向量，和為隱向量的點積，為單個特征變量的數量，i、j和l為序號；

基于所述姿態識別模型對所述初始點云數據進行識別，得到其對應的人體姿態信息。

2.根據權利要求1所述的人體姿態識別方法，其特征在于，所述基于預設算法對獲取的初始點云數據進行預處理，得到噪聲分離后的人體運動點云數據的步驟，包括：

獲取初始點云數據；

基于預設算法對所述初始點云數據中人體中心進行聚類；

將聚類后的結果進行體素化處理，得到噪聲分離后的人體運動點云數據。

3.根據權利要求1所述的人體姿態識別方法，其特征在于，所述對所述人體運動點云數據中多個點進行關聯，獲取其對應的多個特征信息的步驟，包括：

將所述人體運動點云數據進行多點連接，獲取其對應的多點之間的距離、角度、移動方向和移動速度的特征信息。

4.根據權利要求3所述的人體姿態識別方法，其特征在于，所述將所述人體運動點云數據進行多點連接，獲取其對應的多點之間的距離、角度、移動方向和移動速度的特征信息的步驟之后，包括：

構建二維矩陣，將所述多個點之間的距離、角度、移動方向和移動速度的特征信息以one-hot編碼進行存儲。

5.根據權利要求1所述的人體姿態識別方法，其特征在于，還包括：

基于所述多個特征信息的交互順序，對所述姿態識別模型進行優化，得到優化后的姿態識別模型。

6.一種人體姿態識別系統，其特征在于，包括：

數據處理模塊，用于基于預設算法對獲取的初始點云數據進行預處理，得到噪聲分離后的人體運動點云數據；

特征提取模塊，用于對所述人體運動點云數據中多個點進行關聯，獲取其對應的多個特征信息；

模型訓練模塊，用于基于所述人體運動點云數據和所述多個特征信息對預設的分類識別模型進行訓練，得到訓練完成的姿態識別模型，其中，所述得到訓練完成的姿態識別模型的步驟包括：基于所述多個特征信息構建對應的預設的分類識別模型，所述預設的分類識別模型為高階因子分解模型；基于所述高階因子分解模型對所述人體運動點云數據和所述多個特征信息進行交叉學習，直至滿足預設學習率時，得到訓練完成的姿態識別模型；所述高階因子分解模型為：

；

其中，是目標函數，和是權重因子，、和表示特征變量，、和表示隱向量，和為隱向量的點積，為單個特征變量的數量，i、j和l為序號；

姿態識別模塊，用于基于所述姿態識別模型對所述初始點云數據進行識別，得到其對應的人體姿態信息。

7.一種電子設備，其特征在于，包括存儲器、處理器，所述處理器用于執行存儲器中存儲的計算機管理類程序時實現如權利要求1-5任一項所述的人體姿態識別方法的步驟。

8.一種計算機可讀存儲介質，其特征在于，其上存儲有計算機管理類程序，所述計算機管理類程序被處理器執行時實現如權利要求1-5任一項所述的人體姿態識別方法的步驟。