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: 2026103357121
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:

1.一种基于人体骨骼结构的动作识别方法,其特征在于,所述方法包括:获取人体骨骼所有关节的位置数据,并根据所述人体骨骼所有关节的位置数据构建关于全关节的第一数据集和关于人体结构的第二数据集;

构建基于人体结构对称性编码的自适应邻接矩阵,并根据所述自适应邻接矩阵对第一数据集和第二数据集分别进行归一化空间图卷积和时间卷积,得到分别与第一数据集、第二数据集对应的第三时空特征和第四时空特征;

对人体关节进行对称编码:

;

其中,为正整数集合,i为右肢关节或中线关节的基准编号,为第k个节点的编码,为第k个节点;

基于关节编码结果进行骨骼编码,通过相邻关节编码值的代数运算定义初始邻接矩阵元素:;

其中,为符号函数,和分别为节点i与节点j编码值的绝对值,为节点i的编码值符号,为节点j的编码值符号;

将初始邻接矩阵设为可学习参数,通过反向传播动态调整边连接权重,得到基于对称结构编码的自适应邻接矩阵;

分别对所述第三时空特征和第四时空特征进行特征提取,得到与每种数据集对应的第一特征和第二特征,并将所述第一特征和第二特征进行融合,得到分别与所述第三时空特征和第四时空特征对应的第一融合特征、第二融合特征;

将所述第一融合特征、第二融合特征分别输入至两阶段识别模型进行识别,得到人体动作类别信息;

根据以下公式生成第一预测概率分布:

;

其中,为第一预测概率分布,为基础模型,为第二融合特征,K为动作类别数量;

通过函数将转换为置信度分数:

;

对于每个样本,提取最大置信度与初始预测类别;

若,则直接保留初始预测结果,作为最终的人体动作类别信息;

若,则根据以下公式第二预测概率分布:

;

其中,为与节点i对应的第二预测概率分布,为与节点i对应的第一融合特征,为增强模型;

将预测类别更新为;

其中,为样本i修正后的预测人体动作类别。

2.根据权利要求1所述基于人体骨骼结构的动作识别方法,其特征在于,所述获取人体骨骼所有关节的位置数据,并根据所述人体骨骼所有关节的位置数据构建关于全关节的第一数据集和关于人体结构的第二数据集的步骤包括:将人体结构划分为躯干、左臂、右臂、左腿、右腿五个部分,并根据每一部分人体结构所包括的关节的位置数据计算得到与各部分对应的关键节点特征:;

其中,为关键节点特征,N为对应部分人体结构所包含的关节总数,为对应部分人体结构所包含的第i个关节的位置数据;

将五个关键节点特征汇总,得到第二数据集。

3.根据权利要求2所述基于人体骨骼结构的动作识别方法,其特征在于,所述根据所述自适应邻接矩阵对第一数据集和第二数据集分别进行归一化空间图卷积和时间卷积,得到分别与第一数据集、第二数据集对应的第三时空特征和第四时空特征的步骤包括:根据以下公式进行归一化空间图卷积:

;

其中,为输出特征矩阵,为输入特征矩阵,为度矩阵,A为SAAM矩阵,I为单位矩阵,W为权重矩阵;

根据以下公式进行时间卷积:

;

其中,为第三时空特征或第四时空特征,为1D时间卷积操作。

4.根据权利要求3所述基于人体骨骼结构的动作识别方法,其特征在于,所述分别对所述第三时空特征和第四时空特征进行特征提取,得到与每种数据集对应的第一特征和第二特征,并将所述第一特征和第二特征进行融合,得到分别与所述第三时空特征和第四时空特征对应的第一融合特征、第二融合特征的步骤包括:根据以下公式提取第一特征:

;

其中,为简单注意力权重,为Sigmoid 激活函数,为通道数恢复至原始维度的 1×1 卷积操作,为激活函数,为批量归一化操作,为通道数降至C/缩减率的 1×1 卷积操作,为自适应最大池化操作,为简单局部动作特征,X为输入特征;

根据以下公式提取第二特征:

;

其中,为复杂注意力权重,为自适应平均池化操作,为复杂全局动作特征;

根据以下公式进行融合:

;

其中,为拼接特征,为复杂全局动作特征的自适应融合权重,为简单局部动作特征的自适应融合权重,为激活函数,为1×1卷积操作,卷积核大小为1×1,为第一融合特征或第二融合特征。

5.一种基于人体骨骼结构的动作识别系统,用于实现如权利要求1-4任一项所述的基于人体骨骼结构的动作识别方法,其特征在于,所述系统包括:数据集构建模块,用于获取人体骨骼所有关节的位置数据,并根据所述人体骨骼所有关节的位置数据构建关于全关节的第一数据集和关于人体结构的第二数据集;

邻接矩阵构建模块,用于构建基于人体结构对称性编码的自适应邻接矩阵,并根据所述自适应邻接矩阵对第一数据集和第二数据集分别进行归一化空间图卷积和时间卷积,得到分别与第一数据集、第二数据集对应的第三时空特征和第四时空特征;

特征提取模块,用于分别对所述第三时空特征和第四时空特征进行特征提取,得到与每种数据集对应的第一特征和第二特征,并将所述第一特征和第二特征进行融合,得到分别与所述第三时空特征和第四时空特征对应的第一融合特征、第二融合特征;

特征识别模块,用于将所述第一融合特征、第二融合特征分别输入至两阶段识别模型进行识别,得到人体动作类别信息。

6.一种存储介质,其特征在于,所述存储介质存储一个或多个程序,该程序被处理器执行时实现如权利要求1-4任一项所述的基于人体骨骼结构的动作识别方法。

7.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,其中:所述存储器用于存放计算机程序;

所述处理器用于执行存储器上所存放的计算机程序时,实现如权利要求1-4任一项所述的基于人体骨骼结构的动作识别方法。