一种基于深度学习的人体姿态行为检测方法与流程

本发明涉及电数据处理，具体涉及一种基于深度学习的人体姿态行为检测方法。

背景技术：

1、运动过程中人员会做出固定的姿势和动作，在运动过程中可根据人员的姿势动作分析运动姿态的正确性，为了实现自动化监测，现有技术中会利用神经网络分析人员过程中的人体姿态图像，进而对人员的运动姿态状态进行判断。但是神经网络训练过程中的图像标记通常为人为进行标记，使得神经网络训练工作量较大，并且还会导致标记出的标签信息存在误差，进而影响神经网络对人体姿态行为检测的准确度。

技术实现思路

1、为了解决现有技术中对于图像标签信息获取不准确进而影响神经网络对人体姿态行为检测的准确度的技术问题，本发明的目的在于提供一种基于深度学习的人体姿态行为检测方法，所采用的技术方案具体如下：

2、本发明提出了一种基于深度学习的人体姿态行为检测方法，所述方法包括：

3、获取运动过程中的人体姿态图像，以及所述人体姿态图像采集过程中采集到人体速度序列和不同类型的关节运动数据序列；

4、根据所述人体速度序列中局部数据变化特征获得所述运动过程中的单一姿态过程；获取每个类型的所述关节运动数据序列在每个单一姿态过程中的周期；

5、在每个所述单一姿态过程中，根据每个类型的所述关节运动数据序列上不同周期之间相同位置数据点之间的差异，获得每个数据点的疑似异常程度，根据所述疑似异常程度筛选出疑似异常数据点；根据不同类型之间同一时刻下的所述疑似异常数据点的分步，筛选出疑似异常时刻；

6、在每个所述单一姿态过程中，根据每个疑似异常时刻在对应的每个周期中的所述疑似异常程度的分布信息和所述疑似异常数据点的数量获得每个疑似异常时刻的真实异常性，根据所述真实异常性筛选出真实异常时刻；

7、对所述真实异常时刻对应的所述人体姿态图像赋予标签信息，根据所述人体姿态图像和对应的所述标签信息获得姿态识别网络的训练数据，根据训练好的所述姿态识别网络识别出实时人体姿态图像中的姿态行为。

8、进一步地，所述不同类型的关节运动数据序列至少包括关节曲张度序列和关节速度序列。

9、进一步地，所述根据所述人体速度序列中局部数据变化特征获得所述运动过程中的单一姿态过程，包括：

10、分别获取所述人体速度序列中每个元素预设邻域范围内的数据值均值和数据值方差，依次构成均值速度序列和速度方差序列；获得所述均值速度序列的前向差分序列，将所述速度方差序列的最后一个元素去除后，将每个元素与所述前向差分序列中对应位置的元素相乘并取绝对值，获得每个元素对应的所述局部数据变化特征，并构成局部数据变化特征序列；将所述局部数据变化特征序列中的极大值作为分段点进行分段，获得多段子序列，每段子序列对应的时间过程为一个所述单一姿态过程。

11、进一步地，所述获取每个类型的所述关节运动数据序列在每个单一姿态过程中的周期包括：

12、利用傅里叶变换获得每个类型的所述关节运动数据序列在每个单一姿态过程中最大振幅对应的频率，将所述频率的倒数作为周期长度获得对应所述关节运动数据序列的周期。

13、进一步地，所述疑似异常程度的获取方法包括：

14、根据疑似异常程度公式获得所述疑似异常程度，所述疑似异常程度公式包括：其中，qj,k为第j个周期上第k个数据点的所述疑似异常程度，n为对应类型的所述关节运动数据序列中一个周期内的数据点数量，qj,k为第j个周期上第k个数据点的数据值，为对应类型的所述关节运动数据序列中所有周期的第k个数据点的评价数据值，norm()为归一化函数。

15、进一步地，所述疑似异常时刻的获取方法包括：

16、若所述单一姿态过程中，某个时刻下每个类型的所述关节运动数据序列对应数据点均为疑似异常数据点，则将对应时刻作为疑似异常时刻。

17、进一步地，所述真实异常性的获取方法包括：

18、根据真实异常性公式获得所述真实异常性，所述真实异常性公式包括：

19、其中，wi为第i个疑似异常时刻的所述真实异常性；n′为所述关节运动数据序列的类型数量；δni,l为在第l个类型的所述关节运动数据序列中，第i个疑似异常时刻所在的周期中所述疑似异常数据点的数量；qi,l为在第l个类型的所述关节运动数据序列中，第i个疑似异常时刻对应数据点的所述疑似异常程度；q′i,l(max)为在第l个类型的所述关节运动数据序列中，第i个疑似异常时刻所在的周期中所述疑似异常程度的最大值；为在第l个类型的所述关节运动数据序列中，第i个疑似异常时刻所在的周期中所述疑似异常程度的平均值，norm()为归一化函数。

20、进一步地，所述根据所述真实异常性筛选出真实异常时刻包括：

21、将所述真实异常性大于预设真实异常性阈值的所述疑似异常时刻作为所述真实异常时刻。

22、进一步地，所述姿态识别网络包括：

23、提取所述人体姿态图像中的关键点向量，根据所述关键点向量与对应的所述标签信息训练所述姿态识别网络，所述姿态识别网络的输入为关键点向量，输出为所述标签信息。

24、进一步地，所述姿态识别网络为全连接神经网络。

25、本发明具有如下有益效果：

26、本发明首先利用人体速度序列中的局部数据变化特征将整个运动过程拆分为多个单一姿态过程，方便后续数据的处理。进一步考虑到运动的周期性，基于周期上相同数据点的差异筛选出疑似异常数据点。考虑到疑似异常数据点可能是因为某个类型下关节运动数据序列中的噪声点，为了避免噪声的影响，基于不同类型之间同一时刻下的疑似异常数据点的分布确定疑似异常时刻。进一步通过获取疑似异常时刻的真实异常性确定准确的真实异常时刻，对真实异常时刻对应的人体姿态图像赋予标签信息，通过准确的标签信息对姿态识别网络进行训练，提高了姿态识别网络对人体姿态行为检测的准确性。

技术特征：

1.一种基于深度学习的人体姿态行为检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于深度学习的人体姿态行为检测方法，其特征在于，所述不同类型的关节运动数据序列至少包括关节曲张度序列和关节速度序列。

3.根据权利要求1所述的一种基于深度学习的人体姿态行为检测方法，其特征在于，所述根据所述人体速度序列中局部数据变化特征获得所述运动过程中的单一姿态过程，包括：

4.根据权利要求1所述的一种基于深度学习的人体姿态行为检测方法，其特征在于，所述获取每个类型的所述关节运动数据序列在每个单一姿态过程中的周期包括：

5.根据权利要求1所述的一种基于深度学习的人体姿态行为检测方法，其特征在于，所述疑似异常程度的获取方法包括：

6.根据权利要求1所述的一种基于深度学习的人体姿态行为检测方法，其特征在于，所述疑似异常时刻的获取方法包括：

7.根据权利要求1所述的一种基于深度学习的人体姿态行为检测方法，其特征在于，所述真实异常性的获取方法包括：

8.根据权利要求1所述的一种基于深度学习的人体姿态行为检测方法，其特征在于，所述根据所述真实异常性筛选出真实异常时刻包括：

9.根据权利要求1所述的一种基于深度学习的人体姿态行为检测方法，其特征在于，所述姿态识别网络包括：

10.根据权利要求1或9所述的一种基于深度学习的人体姿态行为检测方法，其特征在于，所述姿态识别网络为全连接神经网络。

技术总结
本发明涉及电数据处理技术领域，具体涉及一种基于深度学习的人体姿态行为检测方法。本发明将运动过程分为多个单一姿态过程并提取每个单一姿态过程中每个类型的关节运动数据的周期，分析每个单一姿态过程中每个类型下不同周期之间的数据差异，进而确定异常数据点。根据异常数据点的分布确定异常时刻，对异常时刻下对应周期的意思异常程度分布和疑似异常数据点的数量确定真实异常时刻。利用真实异常时刻确定对应人体姿态图像的标签信息，进而获得训练好的姿态识别网络。本发明通过准确识别运动过程中的真实异常时刻，实现对人体姿态图像的自动化赋标签，进而提高了姿态识别网络的训练效率和准确性。

技术研发人员：何晓罡,吴柯维,朱小平,张辉华,延瑾瑜,郭杨,吴银
受保护的技术使用者：北京卓视智通科技有限责任公司
技术研发日：
技术公布日：2024/3/12