欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025105040145
申请人: 南昌大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种三维骨骼人体全身动作识别方法,其特征在于,该方法包括以下步骤:获取三维骨骼动作序列数据,所述三维骨骼动作序列数据包含多个时间帧上的人体关节点三维坐标;

构建多样式邻接拓扑矩阵,所述多样式邻接拓扑矩阵包括分别对应头部、躯干和下肢分区的三个局部邻接拓扑矩阵以及一个全局邻接拓扑矩阵;

利用所述多样式邻接拓扑矩阵指导图卷积网络对所述三维骨骼动作序列数据进行时空特征提取,得到输出特征;

对所述输出特征进行细化处理,生成三个局部特征表示和一个全局特征表示;

基于所述三个局部特征表示和所述一个全局特征表示,计算对应的预测概率分布;

计算组合损失函数,所述组合损失函数是基于全局预测概率分布与真实标签之间的损失,以及各个局部预测概率分布与真实标签之间的损失的加权和;

根据所述组合损失函数训练所述图卷积网络;

基于训练后的所述图卷积网络,最终输出所述三维骨骼动作序列数据对应的预测动作分类结果。

2.根据权利要求1所述的一种三维骨骼人体全身动作识别方法,其特征在于,构建多样式邻接拓扑矩阵的步骤包括:将人体骨骼关节点根据人体解剖学进行人体功能区域划分,分别划分为包括头部、躯干和下肢的三个独立子集;

为每个独立子集生成局部邻接拓扑矩阵,所述局部邻接拓扑矩阵仅包含对应子集内关节点的连接关系;

通过空间映射聚合机制将三个局部邻接拓扑矩阵与一个全局邻接拓扑矩阵融合,形成多层次拓扑结构。

3.根据权利要求1所述的一种三维骨骼人体全身动作识别方法,其特征在于,利用所述多样式邻接拓扑矩阵指导图卷积网络对所述三维骨骼动作序列数据进行时空特征提取,得到输出特征的步骤包括:在图卷积网络中,采用爱因斯坦求和定律对所述三维骨骼动作序列数据进行矩阵相乘,得到输出特征。

4.根据权利要求1所述的一种三维骨骼人体全身动作识别方法,其特征在于,对所述输出特征进行细化处理,生成三个局部特征表示的步骤包括:通过深层卷积和空间点卷积对输出特征进行维度扩展;

将维度扩展后的输出特征按头部、躯干和下肢分区进行特征解耦,生成与三个局部邻接拓扑矩阵对应的三组局部特征表示。

5.根据权利要求4所述的一种三维骨骼人体全身动作识别方法,其特征在于,将维度扩展后的输出特征按头部、躯干和下肢分区进行特征解耦,生成与三个局部邻接拓扑矩阵对应的三组局部特征表示的步骤包括:将输出特征中的原始邻接矩阵分解为头部、躯干和下肢三个独立子矩阵,用公式表示为:,其中分别表示头部、躯干和下肢独立的骨骼部位;

将所述三个独立子矩阵细化为对应特征信息得到三组局部特征表示,用公式表示为:,其中分别表示头部,躯干,腿部独立的骨骼特征。

6.根据权利要求1所述的一种三维骨骼人体全身动作识别方法,其特征在于,基于所述三个局部特征表示和所述一个全局特征表示,计算对应的预测概率分布的步骤包括:对所述三个局部特征表示和所述一个全局特征表示分别进行正则化处理,通过全连接层和Softmax函数生成对应的预测概率分布。

7.根据权利要求1所述的一种三维骨骼人体全身动作识别方法,其特征在于,计算组合损失函数的步骤中,所述组合损失函数的计算采用标签平滑交叉熵损失,其权重参数通过可学习参数动态调整,所述组合损失函数为:,

其中,表示标签平滑交叉熵损失函数,y表示真实标签,表示预测动作分类结果,和分别表示全局特征和不同部位的局部特征,表示不同部位之间的可学习权重参数。

8.一种三维骨骼人体全身动作识别系统,其特征在于,所述系统包括:数据获取模块,用于获取三维骨骼动作序列数据,所述三维骨骼动作序列数据包含多个时间帧上的人体关节点三维坐标;

多样式拓扑矩阵构建模块,用于构建多样式邻接拓扑矩阵,所述多样式邻接拓扑矩阵包括分别对应头部、躯干和下肢分区的三个局部邻接拓扑矩阵以及一个全局邻接拓扑矩阵;

时空特征提取模块,用于利用所述多样式邻接拓扑矩阵指导图卷积网络对所述三维骨骼动作序列数据进行时空特征提取,得到输出特征;

特征细化模块,用于对所述输出特征进行细化处理,生成三个局部特征表示和一个全局特征表示;

概率计算模块,用于基于所述三个局部特征表示和所述一个全局特征表示,计算对应的预测概率分布;

损失函数计算模块,用于计算组合损失函数,所述组合损失函数是基于全局预测概率分布与真实标签之间的损失,以及各个局部预测概率分布与真实标签之间的损失的加权和;

模型训练模块,用于根据所述组合损失函数训练所述图卷积网络;

动作识别模块,用于基于训练后的所述图卷积网络,最终输出所述三维骨骼动作序列数据对应的预测动作分类结果。

9.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时,实现如权利要求1-7任一项所述的一种三维骨骼人体全身动作识别方法的步骤。

10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时,实现如权利要求1-7任一项所述的一种三维骨骼人体全身动作识别方法的步骤。