人物动作的识别方法及装置的制造方法
【技术领域】
[0001] 本发明涉及图像识别领域，具体而言，涉及一种人物动作的识别方法及装置。
【背景技术】
[0002]目前，相关技术中主要使用色彩图来识别人物动作，其在人物提取W及动作表现 上均会受到环境光W及阴影等多方面因素的影响，稳定性较差。
[0003] 另外，相关技术中所生成的动作模型无法识别连续的人物动作，而且，对于人物动 作识别必须设定初始状态和结束状态。
【发明内容】
[0004] 本发明提供了一种人物动作的识别方法及装置，W至少解决相关技术中在人物连 续运动时无法识别出人物动作的问题。
[0005] 根据本发明的一个方面，提供了 一种人物动作的识别方法。
[0006] 根据本发明实施例的人物动作的识别方法包括；采用全部表征人物与图像采集设 备之间距离的深度图像集合训练姿势模型；通过训练得到的姿势模型计算动作模型；根据 训练得到的姿势模型W及计算得到的动作模型，采用预设算法对实时采集的深度图像中的 人物动作进行识别。
[0007] 优选地，采用深度图像集合训练姿势模型包括；计算深度图像集合中每一幅深度 图像的人物身高；采用计算出的人物身高对该幅深度图像进行归一化处理；将经过归一化 处理后的深度图像分别向H维直角坐标系中的XY、XZ和YZH个平面进行投影，得到二维投 影图像集合，其中，分别计算二维投影图像集合中的每幅二维投影图像的轮廓，并对轮廓的 像素点进行随机均匀采样；将经过采样处理后的样本像素点作为特征进行聚类处理；分别 对聚类处理结果中的每个类别使用最大期望算法训练得到高斯混合模型。
[000引优选地，在聚类处理中使用的距离度量为；du=(l+exp(-a(屯的，切-目 其中，a和目为常数，和fj.为两个不同的作为特征的样本像素点，
d(a，b)为像素 点a与像素点b之间的欧氏距离。
[0009] 优选地，通过训练得到的姿势模型计算动作模型包括；对于动作稱的每一个训练 样本，按照深度图像集合中各个深度图像的先后顺序依次使用每个姿势模型对深度图Xk进 行预测，其中，Xk的姿势类别为argmax己Pr(/j=梦,|藻*，料,）Pi为第i个姿势模 型，C为姿势模型的数量；根据动作耕^的姿势序列1确定动作伊/的动作模型，其中，对 姿势序列中相同的相邻两个姿势进行合并。
[0010] 优选地，采用预设算法对人物动作进行识别包括：依次使用每个姿势模型Pi对实 时采集的深度图像X进行预测；将满足max{Pr(XIPi)}〉THp的预测概率最大的k个姿势模型 放入缓冲区，其中，THp为第一预设阔值，k为正整数；当缓冲区被填满时，执行字符串快速匹 配算法，依次使用每个动作模型进行匹配，如果max{Pr({xjI1)}，则返回识别成功 的动作<p二argmaxf=!Pr((p二AI扣.}，A)其中，77/为第二预设阔值，{xj为待匹 ， 配的姿势序列，L为动作数量。
[0011] 根据本发明的另一方面，提供了一种人物动作的识别装置。
[0012] 根据本发明实施例的人物动作的识别装置包括；训练模块，用于采用全部表征人 物与图像采集设备之间距离的深度图像集合训练姿势模型；计算模块，用于通过训练得到 的姿势模型计算动作模型；识别模块，用于根据训练得到的姿势模型W及计算得到的动作 模型，采用预设算法对实时采集的深度图像中的人物动作进行识别。
[0013] 优选地，训练模块包括：计算单元，用于计算深度图像集合中每一幅深度图像的人 物身高；第一处理单元，用于采用计算出的人物身高对该幅深度图像进行归一化处理；第 二处理单元，用于将经过归一化处理后的深度图像分别向H维直角坐标系中的XY、XZ和YZ H个平面进行投影，得到二维投影图像集合，其中，分别计算二维投影图像集合中的每幅二 维投影图像的轮廓，并对轮廓的像素点进行随机均匀采样；第H处理单元，用于将经过采样 处理后的样本像素点作为特征进行聚类处理；训练单元，用于分别对聚类处理结果中的每 个类别使用最大期望算法训练得到高斯混合模型。
[0014] 优选地，第立处理单元，用于在聚类处理中使用的距离度量为： du=(l+exp(-a(屯化，fj)-目）））-1，
[001引其中，a和目为常数，和fj.为两个不同的作为特征的样本像素点，
d(a，b)为像 素点a与像素点b之间的欧氏距离。
[0016] 优选地，计算模块包括；第一预测单元，用于对于动作鹤的每一个训练样本，按照 深度图像集合中各个深度图像的先后顺序依次使用每个姿势模型对深度图Xk进行预测，其
中，Xk的姿势类别戸^为 Pi为第i个姿势模型，C为姿 馬 势模型的数量；确定单元，用于根据动作^^/的姿势序列{^^,.^确定动作巧的动作模型，其 中，对姿势序列中相同的相邻两个姿势进行合并。
[0017] 优选地，识别模块包括；第二预测单元，用于依次使用每个姿势模型Pi对实时采集 的深度图像X进行预测；第四处理单元，用于将满足max{Pr(XIPi)}〉THp的预测概率最大的 k个姿势模型放入缓冲区，
[0018] 其中，THp为第一预设阔值，k为正整数；识别单元，用于当缓冲区被填满时，执行 字符串快速匹配算法，依次使用每个动作模型进行匹配，如果max{Pr({xk}I ，则 返回识别成功的动作0二argnuix,L|Pr(非二巧，巧.）其中，得为第二预设阔 值，IxJ为待匹配的姿势序列，L为动作数量。
[0019] 通过本发明实施例，先采用全部表征人物与图像采集设备之间距离的深度图像集 合训练姿势模型；再通过训练得到的姿势模型计算动作模型；最后根据训练得到的姿势模 型W及计算得到的动作模型，采用预设算法对实时采集的深度图像中的人物动作进行识 另IJ，由此解决了相关技术中在人物连续运动时无法识别出人物动作的问题，进而大幅度减 少了动作识别时的计算量，提高了动作识别的准确度，可W方便地在模型中加入新动作。
【附图说明】
[0020] 此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0021] 图1是根据本发明实施例的人物动作的识别方法的流程图；
[0022] 图2是根据本发明实施例的人物动作的识别装置的结构框图；
[0023] 图3是根据本发明优选实施例的人物动作的识别装置的结构框图。
【具体实施方式】
[0024] 下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的 情况下，本申请中的实施例及实施例中的特征可W相互组合。
[0025] 图1是根据本发明实施例的人物动作的识别方法的流程图。如图1所示，该方法 可W包括W下处理步骤：
[0026] 步骤S102 ;采用全部表征人物与图像采集设备之间距离的深度图像集合训练姿 势模型；
[0027] 步骤S104;通过训练得到的姿势模型计算动作模型；
[0028] 步骤S106 ;根据训练得到的姿势模型W及计算得到的动作模型，采用预设算法对 实时采集的深度图像中的人物动作进行识别。
[0029] 相关技术中，在人物连续运动时无法识别出人物动作。采用如图1所示的方法，先 采用全部表征人物与图像采集设备之间距离的深度图像集合训练姿势模型；再通过训练得 到的姿势模型计算动作模型；最后根据训练得到的姿势模型W及计算得到的动作模型，采 用预设算法对实时采集的深度图像中的人物动作进行识别，由此解决了相关技术中在人物 连续运动时无法识别出人物动作的问题，在给定人物深度信息的情况下，能够完成对人物 动作的实时识别，不但解决了使用色彩图难于识别人物动作的问题，而且在各种场景中均 可W确保较好的稳定性和准确性，同时还会使得人机交互的体验更加自然。<