一种骨架人体行为智能识别方法及装置与流程

1.本技术涉及人工智能技术领域，具体涉及一种骨架人体行为智能识别方法、装置、设备及介质。


背景技术：

2.人体行为识别是计算机视觉领域中一个重要的研究课题，其目的在于对人体行为动作数据中的有效信息或具有辨识力的特征进行提取，并利用这些信息和特征对人体行为进行动作类别细分。骨架人体行为识别则是使用从人体动作中获取的人体骨架数据作为输入数据，识别人体骨架展现出的人体动作所属类别。
3.现有技术中，基于骨架的人体行为识别方法直接使用人体骨架数据，而忽略了根据人体骨架数据得到的衍生数据，导致一些重要的信息被忽略而造成识别精度较低。


技术实现要素：

4.本技术针对现有的问题，提出了一种骨架人体行为智能识别方法、装置、设备及介质，具体技术方案如下：
5.在本技术的第一方面，提供一种骨架人体行为智能识别方法，所述方法包括：
6.获取关节数据以及骨骼数据，所述关节数据以及所述骨骼数据根据骨架数据得到；
7.将所述关节数据以及所述骨骼数据分别输入至三元强化图卷积神经网络，得到所述关节数据的数据流网络的特征数据以及所述骨骼数据的数据流网络的特征数据，其中，所述三元强化图卷积神经网络是预先训练后的基于自注意力机制的自适应图卷积神经网络；
8.对所述关节数据的数据流网络的不同层级的特征数据进行融合处理，得到第一融合数据流，以及对所述骨骼数据的数据流网络的不同层级的特征数据进行融合处理，得到第二融合数据流；
9.根据所述第一融合数据流以及所述第二融合数据流，得到目标信息。
10.可选地，所述三元强化图卷积神经网络包括强化模型，所述强化模型包括空间图卷积模块、时间图卷积模块以及通道图卷积模块。
11.可选地，获取关节数据以及骨骼数据的步骤之前，所述方法还包括：
12.从待测视频的多帧图像中获取所述骨架数据；
13.根据所述骨架数据，获得所述关节数据以及所述骨骼数据。
14.可选地，从待测视频的多帧图像中获取所述骨架数据的步骤，包括：
15.获取所述待测视频的多帧图像；
16.采用kinect传感器从所述多帧图像中获得骨架数据；或者，
17.采用openpose算法从所述多帧图像中获得骨架数据。
18.可选地，所述关节数据的数据流网络包括第一空间数据流、第一视角差异数据流
以及第一时间差异数据流；所述骨骼数据的数据流网络包括第二空间数据流、第二视角差异数据流以及第二时间差异数据流；
19.对所述关节数据的数据流网络的不同层级的特征数据进行融合处理，得到第一融合数据流，以及对所述骨骼数据的数据流网络的不同层级的特征数据进行融合处理，得到第二融合数据流的步骤，包括：
20.分别提取第一空间数据流、第一视角差异数据流以及第一时间差异数据流中的同一层级的特征数据，融合为第一单层数据；
21.对多个不同层级的第一单层数据进行融合，得到所述第一融合数据流；
22.分别提取第二空间数据流、第二视角差异数据流以及第二时间差异数据流中的同一层级的特征数据，融合为第二单层数据；
23.对多个不同层级的第二单层数据进行融合，得到所述第二融合数据流。
24.可选地，根据所述第一融合数据流以及所述第二融合数据流，得到目标信息的步骤，包括：
25.根据所述第一融合数据流以及所述第二融合数据流，获得第一预测分数以及第二预测分数；
26.对所述第一预测分数以及所述第二预测分数进行融合，得到所述目标信息。
27.可选地，对所述第一预测分数以及所述第二预测分数进行融合，得到所述目标信息的步骤，包括：
28.采用加权平均融合的方法对所述第一预测分数以及所述第二预测分数进行融合，得到所述目标信息。
29.在本技术的第二方面，提供一种骨架人体行为智能识别装置，所述装置包括：
30.获取模块，用于获取关节数据以及骨骼数据，所述关节数据以及所述骨骼数据根据骨架数据得到；
31.第一获得模块，用于将所述关节数据以及所述骨骼数据分别输入至三元强化图卷积神经网络，得到所述关节数据的数据流网络的特征数据以及所述骨骼数据的数据流网络的特征数据，其中，所述三元强化图卷积神经网络是预先训练后的基于自注意力机制的自适应图卷积神经网络；
32.第二获得模块，用于对所述关节数据的数据流网络的不同层级的特征数据进行融合处理，得到第一融合数据流，以及对所述骨骼数据的数据流网络的不同层级的特征数据进行融合处理，得到第二融合数据流；
33.第三获得模块，用于根据所述第一融合数据流以及所述第二融合数据流，得到目标信息。
34.在本技术的第三方面，提供一种电子设备，该设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如上述第一方面所述的方法。
35.在本技术的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现上述第一方面所述的方法。
36.本技术具有以下有益效果：
37.本技术的实施例针对人体骨架数据获取的关节数据以及骨骼数据，将关节数据以
及骨骼数据分别输入至三元强化图卷积神经网络，得到关节数据的数据流网络的特征数据以及骨骼数据的数据流网络的特征数据，对关节数据的数据流网络的不同层级的特征数据进行融合处理，得到第一融合数据流，以及对骨骼数据的数据流网络的不同层级的特征数据进行融合处理，得到第二融合数据流，根据第一融合数据流以及第二融合数据流，最终得到目标信息。相较于现有技术中仅采用人体的骨架数据作为人体行为识别的输入数据，本技术通过对人体骨架数据所得到的关节数据和骨骼数据进行进一步得到的目标信息的过程，充分利用骨架数据中的有效的关节信息和骨骼信息，输入至基于自注意力机制的自适应图卷积神经网络以对骨架数据的有效信息进行提取，可以从不同的角度出发挖掘有效的空间信息，补充了传统的骨架数据有效信息使用不足。并且，通过使用多种数据，减少了各数据流的信息提取压力，使得到的目标信息更为丰富、选择面更广，有效地增加了根据目标信息识别人体行为的精度。
附图说明
38.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
39.图1为本技术实施例方案涉及的硬件运行环境的电子设备结构示意图；
40.图2为根据一示例性实施例示出的一种骨架人体行为智能识别方法的流程图；
41.图3为根据一示例性实施例示出的一种骨架人体行为智能识别方法中步骤s103的示例流程图；
42.图4为根据一示例性实施例示出的一种骨架人体行为智能识别装置的框图。
具体实施方式
43.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
44.相关技术中，前使用图卷积骨骼点动作识别，是使用时空图卷积神经网络模型对图卷积神经网络进行动作识别，时空图卷积网络的时空图建模过程可分两个部分，即空间建模和时间建模。
45.在空间建模部分，模型根据人体结构的连通性，通过自然定义的设置连接方法，将时空图中的每一帧的相邻点连接成边，形成空间边集合，同时将每一帧上的骨骼坐标点集合作为节点集合。
46.在时间建模部分，模型是在时间域上将相邻两帧的同一节点进行连接成边形成帧间边集合。分别整合空间和时间上的信息，对骨骼关键点特征信息进行时空建模；在时空图模型结构中，将人体骨骼序列通过每一帧的二维或三维坐标表示，构建一个无向骨架空间图，其中集合由空间边集合和帧间边集合两部分组成，并将所有的骨骼序列的坐标向量串联在一起得到的图节点联合坐标向量作为网络模型输入。依次传入gcn、tcn网络模型中进而进行动作识别，在时空图卷积神经网络模型中，对骨骼图提取特征信息的过程中，由于仅仅使用了图的邻接矩阵，仅仅利用了局部信息，从而忽略了骨骼点全局信息特征的重要性，
造成特征信息利用不充分的问题。
47.针对上述问题，本技术实施例提供的具体构思为，将基于人体骨架数据获得的关节数据以及骨骼数据输入至三元强化图卷积神经网络，得到所述关节数据的数据流网络的特征数据以及所述骨骼数据的数据流网络的特征数据，并对所述关节数据的数据流网络的不同层级的特征数据进行融合处理，得到第一融合数据流，以及对所述骨骼数据的数据流网络的不同层级的特征数据进行融合处理，得到第二融合数据流；根据所述第一融合数据流以及所述第二融合数据流，得到目标信息。
48.参照图1，图1为本技术实施例方案涉及的硬件运行环境的电子设备结构示意图。
49.如图1所示，该电子设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
50.本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
51.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
52.在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的骨架人体行为智能识别装置，并执行本技术实施例提供的骨架人体行为智能识别方法。
53.参照图2，基于前述硬件运行环境，本技术的实施例提供了一种骨架人体行为智能识别方法，包括以下步骤：
54.s101、获取关节数据以及骨骼数据，关节数据以及骨骼数据根据骨架数据得到。
55.在具体的实施过程中，骨架数据是根据姿态估计方法从视频数据中提取的，一般是根据视频数据中的连续多帧图像得到，由于原始的视频数据存在光照，视角等变化，人体存在遮挡，丢失等问题，因此骨架数据含有大量噪声。关节数据和骨骼数据根据骨架数据得到，关节数据可以根据骨架数据上的每个线段连接节点所构成的关节点数据得到，骨骼数据可以根据关节点数据得到，例如，以身体中心关节点为原点，遵循人体骨架自然连接计算关节点数据的坐标差。其中，关节数据和骨骼数据均包括空间数据、时间差异数据以及视角差异数据，空间数据表征为在视频数据的连续帧图像中所得到的关节数据或骨骼数据在空间域上的差异，时间差异数据表征为在视频数据的连续帧图像中所得到的关节数据或骨骼数据在时间上的差异，视角差异数据表征为在视频数据的连续帧图像中所得到的关节数据或骨骼数据在不同视角上的观察结果的差异。
56.获得时间差异数据，以关节数据的时间差异数据为例，关节点数据的某节点在t时刻的数据记为(x
t
,y
t
,z
t
)，则对应的关节点的时间差异数据可表示为时间维度上相邻两帧
对应节点坐标之差，可表示为(x
t-x
t-1
,y
t-y
t-1
,z
t-z
t-1
)。为了数据对齐，设置零时刻下的数据为所有数据的平均值。
57.获得视角差异数据，在三维坐标系xyz中，从不同的相交面观察相同的数据点，得到的位置是不同的，而不同视角观察结果的差异可以作为视角差异数据。选取坐标系中正面(x,y)、侧面(y,z)和顶面(z,x)三个视角,则其两两之间的差异为(y-x,z-y)、(z-y,x-z)、(x-z,y-x)，由于最后一个差异可以由前面两个推导，故使用(a-z,a-x)进行替代，其中表示平均视角面，取这些差异的横坐标，作为视角差异数据。同样以关节数据为例，关节数据某节点在t时刻的数据记为(x
t
,y
t
,z
t
)，则其对应的视角差异数据可以表示为(y
t-x
t
,z
t-y
t
,a
t-z
t
),其中
58.另外，骨骼数据的对应的时间差异数据和视角差异数据的方法与上述关节数据的一致，此处不赘述。
59.s102、将关节数据以及骨骼数据分别输入至三元强化图卷积神经网络，得到关节数据的数据流网络的特征数据以及骨骼数据的数据流网络的特征数据，其中，三元强化图卷积神经网络是预先训练后的基于自注意力机制的自适应图卷积神经网络。
60.在具体的实施过程中，三元强化图卷积神经网络包括自适应图卷积神经网络以及强化模型，其中，自适应图卷积神经网络的结构和训练方法可以参考现有技术中的双流自适应图卷积网络，此处不赘述。
61.针对全连接神经网络对于多个相关的输入无法建立起相关性的问题，通过自注意力机制来解决，自注意力机制实际上是想让机器注意到整个输入中不同部分之间的相关性。神经网络接收的输入是很多大小不一的向量，并且不同向量之间有一定的关系，但是实际训练的时候无法充分发挥这些输入之间的关系而导致模型训练结果效果极差。因此，采用基于自注意力机制的自适应图卷积神经网络可以让机器注意到输入神经网络中空间数据、时间差异数据以及视角差异数据之间的相关性，从而输出相应的特征数据。
62.强化模型是基于图的空间注意力、时间注意力、通道注意力以及sigmoid函数对图像增强，图像的增强是有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。图像增强的方式可以包括通过剪切、旋转/反射/翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动、颜色变换等一种或多种组合数据增强变换的方式。
63.s103、对关节数据的数据流网络的不同层级的特征数据进行融合处理，得到第一融合数据流，以及对骨骼数据的数据流网络的不同层级的特征数据进行融合处理，得到第二融合数据流。
64.在具体的实施过程中，数据流网络的每层的确定过程都会计算从输入流到输出流的连续函数，因此这个过程的数据网络本身就是确定的，可以用一组递归方程来描述网络的计算行为，得到的是一组连续函数。
65.在数据流网络中，提取不同层级的特征数据进行处理，一般情况下，由于数据流网络输出的浅层特征包含大量的无效信息，因此本方案中采用数据流网络的深层特征数据进行融合，一般可以采用第8至第10层的特征数据进行融合，得到融合后的数据流。融合时，可
以采用全局平均池化的操作或者全局最大池化的操作，得到第一融合数据流和第二融合数据流。
66.s104、根据第一融合数据流以及第二融合数据流，得到目标信息。
67.在具体的实施过程中，目标数据是指输出的特征数据，可以作为对人体行为识别的预测结果的输入数据。
68.本实施例针对人体骨架数据获取的关节数据以及骨骼数据，将关节数据以及骨骼数据分别输入至三元强化图卷积神经网络，得到关节数据的数据流网络的特征数据以及骨骼数据的数据流网络的特征数据，对关节数据的数据流网络的不同层级的特征数据进行融合处理，得到第一融合数据流，以及对骨骼数据的数据流网络的不同层级的特征数据进行融合处理，得到第二融合数据流，根据第一融合数据流以及第二融合数据流，最终得到目标信息。相较于现有技术中仅采用人体的骨架数据作为人体行为识别的输入数据，本技术通过对人体骨架数据所得到的关节数据和骨骼数据进行进一步得到的目标信息的过程，充分利用骨架数据中的有效的关节信息和骨骼信息，输入至基于自注意力机制的自适应图卷积神经网络以对骨架数据的有效信息进行提取，可以从不同的角度出发挖掘有效的空间信息，解决了对传统的骨架数据有效信息使用不足的情况。并且，通过使用多种数据，减少了各数据流的信息提取压力，使得到的目标信息更为丰富、选择面更广，有效地增加了根据目标信息识别人体行为的精度。
69.在一些实施例中，三元强化图卷积神经网络包括强化模型，强化模型包括空间图卷积模块、时间图卷积模块以及通道图卷积模块。
70.在具体的实施过程中，空间图卷积模块、时间图卷积模块以及通道图卷积模块分别从空间维度、时间维度和通道维度上获取关节数据和骨骼数据中的有效信息，对传统的图卷积模块基于自注意力机制进行改进，用自注意力机制对骨架类数据有效信息进行增强。
71.在一些实施例中，获取关节数据以及骨骼数据的步骤之前，方法还包括：
72.从待测视频的多帧图像中获取骨架数据；
73.根据骨架数据，获得关节数据以及骨骼数据。
74.在一些实施例中，从待测视频的多帧图像中获取骨架数据的步骤，包括：
75.获取待测视频的多帧图像；
76.采用kinect传感器从多帧图像中获得骨架数据；或者，
77.采用openpose算法从多帧图像中获得骨架数据。
78.在具体的实施过程中，kinect传感器是一种3d体感摄影机，同时拥有即时动态捕捉、影像辨识、麦克风输入、语音辨识、社群互动等功能。综合了计算机视觉，机器自主学习，语音识别，面部表情识别，数字信号处理等技术。可以更精确地进行骨架跟踪，更精确地进行关节和肢体活动的映射。
79.openpose人体姿态识别算法是基于卷积神经网络和监督学习并以caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人，具有极好的鲁棒性。
80.其中，openpose算法一般包括一下两个步骤：
81.1.输入一幅图像，经过vgg19卷积网络提取特征，得到一组特征图，然后分成两个
岔路，分别使用cnn图卷积神经网络提取part confidence maps(置信度)和part affinity fields(关联度)；
82.2.得到置信度和关联度这两个信息后，将同一个人的关节点连接起来，由于关联度自身的矢量性，使得生成的偶匹配很正确，最终合并为一个人的整体骨架。
83.在一些实施例中，关节数据的数据流网络包括第一空间数据流、第一视角差异数据流以及第一时间差异数据流；骨骼数据的数据流网络包括第二空间数据流、第二视角差异数据流以及第二时间差异数据流
84.对关节数据的数据流网络的不同层级的特征数据进行融合处理，得到第一融合数据流，以及对骨骼数据的数据流网络的不同层级的特征数据进行融合处理，得到第二融合数据流的步骤，包括：
85.分别提取第一空间数据流、第一视角差异数据流以及第一时间差异数据流中的同一层级的特征数据，融合为第一单层数据；
86.对多个不同层级的第一单层数据进行融合，得到第一融合数据流；
87.分别提取第二空间数据流、第二视角差异数据流以及第二时间差异数据流中的同一层级的特征数据，融合为第二单层数据；
88.对多个不同层级的第二单层数据进行融合，得到第二融合数据流。
89.在具体的实施过程中，参照图3，图3中的tagc为自适应图卷积网络，gap为全局平均池化，fc为全连接层。其中，对关节数据的数据流网络的不同层级的特征数据进行融合处理的方式与对骨骼数据的数据流网络的不同层级的特征数据进行融合处理的方式相同，此处以关节数据为例。具体的，关节数据中的第一空间数据流、第一视角差异数据流以及第一时间差异数据流中的第8至10层级的特征数据分别融合为包括第一数据、第二数据以及第三数据的第一单层数据，并将第一数据、第二数据以及第三数据进行融合为第一融合数据流。进一步的，第8至10层级的特征数据是更深层级的深层特征，采用深层特征可以有效对浅层网络的干扰信息进行抑制。
90.在一些实施例中，根据第一融合数据流以及第二融合数据流，得到目标信息的步骤，包括：
91.根据第一融合数据流以及第二融合数据流，获得第一预测分数以及第二预测分数；
92.对第一预测分数以及第二预测分数进行融合，得到目标信息。
93.融合的方法可以采用像素平均法与加权平均法进行融合，具体的，对第一预测分数以及第二预测分数进行融合，得到目标信息的步骤，包括：
94.采用加权平均融合的方法对第一预测分数以及第二预测分数进行融合，得到目标信息。
95.在具体的实施过程中，加权平均融合法是将源图像像素的灰度值进行线性加权平均，生成新的融合图像，是一种最简单、直接的图像融合方法。加权平均融合方法简单易实现、系统开销小、实时性强，一定程度上可以抑制源图像中的噪声。但简单的加权平均存在使图像对比度降低的问题，它会削弱源图像中的细节信息，不利于保留源图像的边缘、轮廓等细节信息，在多数场合难以取得满意的融合效果。
96.参照图4，图4是根据一示例性实施例示出的一种骨架人体行为智能识别装置400
的框图，如图4所示，该装置400包括：
97.获取模块410，用于获取关节数据以及骨骼数据，关节数据以及骨骼数据根据骨架数据得到；
98.第一获得模块420，用于将关节数据以及骨骼数据分别输入至三元强化图卷积神经网络，得到关节数据的数据流网络的特征数据以及骨骼数据的数据流网络的特征数据，其中，三元强化图卷积神经网络是预先训练后的基于自注意力机制的自适应图卷积神经网络；
99.第二获得模块430，用于对关节数据的数据流网络的不同层级的特征数据进行融合处理，得到第一融合数据流，以及对骨骼数据的数据流网络的不同层级的特征数据进行融合处理，得到第二融合数据流；
100.第三获得模块440，用于根据第一融合数据流以及第二融合数据流，得到目标信息。
101.在一些实施例中，装置400还包括：
102.骨架数据获取模块，用于从待测视频的多帧图像中获取骨架数据；
103.延伸数据获取模块，用于根据骨架数据，获得关节数据以及骨骼数据。
104.在一些实施例中，骨架数据获取模块具体用于：
105.获取待测视频的多帧图像；
106.采用kinect传感器从多帧图像中获得骨架数据；或者，
107.采用openpose算法从多帧图像中获得骨架数据。
108.在一些实施例中，关节数据的数据流网络包括第一空间数据流、第一视角差异数据流以及第一时间差异数据流；骨骼数据的数据流网络包括第二空间数据流、第二视角差异数据流以及第二时间差异数据流；
109.第二获得模块430包括：
110.第一融合子模块，用于分别提取第一空间数据流、第一视角差异数据流以及第一时间差异数据流中的同一层级的特征数据，融合为第一单层数据；
111.第一获得子模块，用于对多个不同层级的第一单层数据进行融合，得到第一融合数据流；
112.第二融合子模块，用于分别提取第二空间数据流、第二视角差异数据流以及第二时间差异数据流中的同一层级的特征数据，融合为第二单层数据；
113.第二获得子模块，用于对多个不同层级的第二单层数据进行融合，得到第二融合数据流。
114.在一些实施例中，第三获得模块440包括：
115.第三获得子模块，用于根据第一融合数据流以及第二融合数据流，获得第一预测分数以及第二预测分数；
116.第四获得子模块，用于对第一预测分数以及第二预测分数进行融合，得到目标信息。
117.在一些实施例中，第四获得子模块具体用于：
118.采用加权平均融合的方法对第一预测分数以及第二预测分数进行融合，得到目标信息。
119.需要说明的是，本实施例中的骨架人体行为智能识别装置中各模块是与前述实施例中的骨架人体行为智能识别方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述骨架人体行为智能识别方法的实施方式，这里不再赘述。
120.基于同一发明构思，本技术的实施例还提供一种电子设备，电子设备包括：
121.至少一个处理器；以及，
122.与至少一个处理器通信连接的存储器；其中，
123.存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行基于深度学习的图像语义分割标注方法。
124.基于同一发明构思，本技术的实施例还提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现电路板基于深度学习的图像语义分割标注方法。
125.基于同一发明构思，本技术的实施例还提供一种计算机程序产品，计算机程序产品在被处理器时，实现基于深度学习的图像语义分割标注方法。
126.在一些实施例中，计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、闪存、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
127.在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
128.作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(html，hyper text markup language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
129.作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
130.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
131.以上对所提供的一种骨架人体行为智能识别方法，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。