1.一种基于Citation‑KNN的人体动作识别方法,其特征在于,包括:S1、获取测试样本;
S2、通过帧差法提取测试样本动作序列中的关键帧;
S3、对Hausdorff距离进行优化,并根据优化的Hausdorff距离计算被提取关键帧的测试样本在训练集中的c个近邻样本和r个索引样本;
S4、基于近邻样本和索引样本构建评分函数,并根据评分函数计算测试样本中每个动作类别的分数,得到测试样本中分数最高的动作类别作为测试样本的目标测试动作类别,输出目标测试动作类别;
所述步骤S31,具体包括:构建动作样本 和 则预设动作样本A中的fk1帧和动作样本B中的fk2帧关节点的时间序列信息的距离定义如下:其中, 表示
人体关节点的权重,numA,numB表示A和B中的总帧数,α为帧权重;
所述人体关节点的权重 的计算公式为:其中 表示第i个关节点在fk帧时的速度,t为两帧之间的时间;
设动作样本中第i个关节点的平均速度为 则第i个关节点的全局平均速度 和关节点权重 定义如下:
2.根据权利要求1所述的基于Citation‑KNN的人体动作识别方法,其特征在于,步骤S2,具体包括:
S21、定义关键帧集合KF以及对应的关键帧权重集合KFW;
S22、计算测试样本动作序列中每帧的帧差距离;
S23、计算测试样本动作序列中帧差距离平均值;
S24、将每帧的帧差距离均与帧差距离平均值进行比较,当某帧的帧差距离大于帧差距离平均值时,将该帧关节点信息插入KF,将该帧的帧差距离插入KFW;
S25、对KFW中每一个元素KFWP进行归一化处理,完成对测试样本动作序列中的关键帧提取,其中,归一化处理公式为:其中,SUM(KFW)表示KFW中元素的总和。
3.根据权利要求1所述的基于Citation‑KNN的人体动作识别方法,其特征在于,步骤S3,具体包括:
S31、将人体关节点的权重和帧关节点的时间序列信息加入到Citation‑KNN算法的欧氏距离中对Hausdorff距离进行优化;
S32、根据Citation‑KNN算法计算被提取关键帧的测试样本在训练集中的c个近邻样本和r个索引样本。
4.根据权利要求1所述的基于Citation‑KNN的人体动作识别方法,其特征在于,步骤S4,具体包括:
*
设l表示可能动作类别的集合,对于测试样本X,l为X的预测动作类别,X的nr个近邻为及对应的类别为 和X的nc个索引包为 及对应的类别为定义如下:
其中当a=b时δ(a,b)=1,否则δ(a,b)=0。