CN110705390A 基于lstm的形体姿态识别方法、装置及存储介质 （平安科技（深圳）有限公司）

道福安社区益田路5033号平安金融中型为根据预设规范动作生成的目标神经网络模2通过OpenPose提取所获取的待识别主体的动作视频中的动作特根据所述动作特征信息和预先训练生成的形体姿态识4.根据权利要求1所述的基于LSTM的形体姿态识别方法，其特征在于，所述通过OpenPose提取所获取的待识别主体的动作视频中的动作特根据所抽取的图象帧确定所述待识别主体的特征信息和预先训练生成的形体姿态识别模型识别出与所述动作特征信息对应的动作规在Softmax层中使用CTC对所述形体姿态识别模型进行迭代训练，直至所述CTC输出的通过OpenPose提取所获取的待识别主体的动作视频中的动作特将根据所述动作特征信息和预先训练生成的形体姿态3神经网络模型；所述目标神经网络模型依据按时间序列排列的规范动作特征信息训练生所述通过OpenPose提取所获取的待识别主体的动作视频中的动作特征信息的步骤包根据所抽取的图象帧确定所述待识别主体的10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有基于利要求1至7中任一项所述的基于LSTM的形体姿态4置及计算机可读存储介质。[0004]目前的姿态打分系统多是采用传感器+APP的模式，使用传感器捕获人体的运动将采集到的人体动作特征与完备的人体动作姿态库中的动作进行识别分类，匹配出相似两种方法均存在自己的不足之处，RGB图像内部包含的信息过多，不利于动作姿态特征的[0008]本发明提供一种基于LSTM的形体姿态识别方法、电子装置及计算机可读存储介Masking层和Softmax层的神经网络LSTM为模型，以规范动作视频中人体骨骼特征点为目[0012]将根据所述动作特征信息和预先训练生成的形体姿态识别模型，识别出与所述的目标神经网络模型；所述目标神经网络模型依据按时间序列排列的规范动作特征信息5[0015]在一个实施例中，所述通过OpenPose提取所获取的待识别主体的动作视频中的[0016]以预设时段或者节拍为时间单位获取所述待识别主体的动作视频，利用[0020]在一个实施例中，在所述通过OpenPose提取所获取的待识别主体的动作视频中[0021]在一个实施例中，在所述根据所述动作特征信息和预先训练生成的形体姿态识CTC对所述形体姿态识别模型进行迭代训练，直至所述CTC输出的Loss值大于或等于设定别模型为根据预设规范动作生成的目标神经网络模型；所述目标神经网络模型依据按时[0023]在一个实施例中，所述通过OpenPose提取所获取的待识别主体的动作视频中的[0024]以预设时段或者节拍为时间单位获取所述待识别主体的动作视频，利用读存储介质中存储有基于LSTM的形体姿态识别程序，所述基于LSTM的形体姿态识别程序6该方法将规范动作的视频集作为训练词典，以包括Masking层和Softmax层的神经网络姿态识别方法可以实现缩短模型训练周期和提高模型训练精度的效果，不需要通过将视[0032]应当理解，此处所描述的具体实施例仅仅用以解释[0033]本发明提供一种基于LSTM的形体姿态识别方法。参照图1所示，为本发明基于出开源算法OpenPose算法对比赛视频中的人体姿态特征点提取，与神经网络中训练出来[0040]人体的运动可以通过一些主要骨架的关键节点(简称骨架关键点)的移动来描7[0042]具体地，本发明在一个具体实施例中是通过将动作中骨架关键点具有的共性特[0044]图2为本发明骨架关键特征点的示意图。参照图2所示，骨架关键点特征点为多[0045]OpenPose是一个实时多人关键点检测的库，基于OpenCV和Caffe编写；OpenPose8生成的目标神经网络模型；所述目标神经网络模型依据按时间序列排列的规范动作特征[0058]本发明是利用LSTM神经网络结构结合CTC进行姿态分类器模型训练，最终得到着短时的记忆能力。一般使用BPTT(BackPropagationThroughTime)来进行梯度的更序列映射到一个固定维度的空间中。因此，使用Masking层会比使用Embedding层更加适9[0063]CTCLoss的计算过程，也就是一次前向传播的损失。就是当[0066]也就是说，在所述根据所述动作特征信息和预先训练生成的形体姿态识别模型识别出与所述动作特征信息对应的动作规范度之前，在Softmax层中使用CTC对所述形体[0067]本发明的基于LSTM的形体姿态识别方法，不需要训练人员身上佩戴传感器就能姿态识别模型对所述动作骨架关键点信息进行分类识别，得到分类标签并计算损失函数[0072]存储器41包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介子装置4上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(S[0073]在本实施例中，所述存储器41的可读存储介质通常用于存储安装[0074]处理器42在一些实施例中可以是一中央处理器(CentralProcessingUnit,[0076]网络接口44可选地可以包括标准的有线接口、无线接口[0079]在本发明的一个具体实施可以包括输入单元比如键盘(Keyboard)、语音一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管根据所述动作特征信息和预先训练生成的形体姿态识别模型，识别出与所述动作特征信[0086]上述实施例提出的电子装置，将规范动作的视频集作为训练词典，以包括Masking层和Softmax层的神经网络LSTM为模型，以规范动作视频中人体骨骼特征点为目[0087]在其他实施例中，基于LSTM的形体姿态识别程序40还可以被分割为一个或者多明所称的模块是指能够完成特定功能的一[0088]所述基于LSTM的形体姿态识别程序40可以被分割为：包括骨架关键点信息获取子程序，用于利用形体姿态识别模型对所述动作骨架关键点信息进行分类识别，得到分中存储有基于LSTM的形体姿态识别程序，所述基于LSTM的形体姿态识别程序被处理器执根据所述动作特征信息和预先训练生成的形体姿态识别模型，识别出与所述动作特征信[0091]本发明之计算机可读存储介质的具体实施方式与上述基于LSTM的形体姿态识别式的描述，本领域的技术人员可以清楚地