CN112784765A - 用于识别动作的方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请公开了用于识别动作的方法、装置、设备以及存储介质，涉及计算机视觉、深度学习、增强现实技术领域。具体实现方案为：获取目标视频；对目标视频中的多个视频帧进行人体检测，确定多张人体图像；确定多张人体图像中人体对象对应的关键点；确定多个视频帧的空间特征信息；根据关键点以及空间特征信息，确定人体对象的动作。本实现方式可以提高动作识别的效率。

Description

用于识别动作的方法、装置、设备以及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及计算机视觉、深度学习、增强现实技术领域，尤其涉及用于识别动作的方法、装置、设备以及存储介质。

背景技术

动作识别是指基于视觉技术方案对视频中多帧画面中的人物，以及该段视频的时间和空间序列信息进行分析，从而判断人物正在进行的动作。理解视频中人的动作和行为，是计算机视觉和智能视频分析领域的一个挑战性问题，也是视频内容理解的关键，极具广泛的应用前景。

发明内容

提供了一种用于识别动作的方法、装置、设备以及存储介质。

根据第一方面，提供了一种用于识别动作的方法，包括：获取目标视频；对目标视频中的多个视频帧进行人体检测，确定多张人体图像；确定多张人体图像中人体对象对应的关键点；确定多个视频帧的空间特征信息；根据关键点以及空间特征信息，确定人体对象的动作。

根据第二方面，提供了一种用于识别动作的装置，包括：视频获取单元，被配置成获取目标视频；人体检测单元，被配置成对目标视频中的多个视频帧进行人体检测，确定多张人体图像；关键点确定单元，被配置成确定多张人体图像中人体对象的关键点；空间特征提取单元，被配置成确定多个视频帧的空间特征信息；动作识别单元，被配置成根据关键点以及空间特征信息，确定人体对象的动作。

根据第三方面，提供了一种用于识别动作的电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如第一方面所描述的方法。

根据第五方面，一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如第一方面所描述的方法。

根据本申请的技术提供了一种识别动作方法，能够提高识别动作效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于识别动作的方法的一个实施例的流程图；

图3是根据本申请的用于识别动作的方法的一个应用场景的示意图；

图4是根据本申请的用于识别动作的方法的另一个实施例的流程图；

图5是根据本申请的用于识别动作的装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的用于识别动作的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于识别动作的方法或用于识别动作的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频播放类应用、视频处理类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上提供的视频进行处理的后台服务器。后台服务器可以识别视频中人体的动作，并将识别出来的动作通过各种方式反馈给终端设备101、102、103，例如通过可视化的方式反馈给终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于识别动作的方法一般由服务器105执行。相应地，用于识别动作的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于识别动作的方法的一个实施例的流程200。本实施例的用于识别动作的方法，包括以下步骤：

步骤201，获取目标视频。

本实施例中，用于识别动作的方法的执行主体可以通过各种方式获取目标视频。例如，执行主体可以接收终端设备发送的视频，作为目标视频。或者，执行主体可以主动从网上爬取视频，作为目标视频。目标视频中可以包括人体图像，并且人体图像是运动的，不是静止的。

步骤202，对目标视频中的多个视频帧进行人体检测，确定多张人体图像。

在获取到目标视频后，执行主体可以提取多个视频帧，并对所提取的多个视频帧进行人体检测，确定多张人体图像。具体的，执行主体可以将目标视频的所有视频帧都提取出来。或者，从目标视频帧均匀抽取，得到多个视频帧。或者，将目标视频中包括人体的视频帧作为多个视频帧。执行者实体可以采用多种算法对多个视频帧进行人体检测，并利用包络框标注检测出来的人体。并将包络框内的人体作为人体图像，从而得到多张人体图像。

步骤203，确定多张人体图像中人体对象的关键点。

执行主体在得到多张人体图像后，可以确定多张人体图像中人体对象的关键点。具体的，执行主体可以对多张人体图像进行特征提取，以确定人体对象的关键点。或者，将每张人体图像输入预先训练的关键点提取模型，来确定每张人体图像中人体对象的关键点。上述关键点提取模型可以是卷积神经网络。这里的关键点可以指能够表征动作特征的各种点，例如关节位置等等。关键点可以通过多种形式来表示，例如二维坐标、三维坐标、二维热力图、立体热力图等等。

步骤204，确定多个视频帧的空间特征信息。

执行主体还可以对上述多个视频帧进行空间特征提取，得到多个视频帧的空间特征信息。这里，空间特征信息可以以特征图来表示，也可以以特征向量的形式来表示。执行主体可以通过多种特征提取算法来提取空间特征信息，上述特征提取算法可以包括各种卷积神经网络等等。

步骤205，根据关键点以及空间特征信息，确定人体对象的动作。

执行主体可以将各人体图像中人体对象的关键点以及空间特征信息进行融合，确定人体对象的动作。可以理解的是，根据每个人体图像中人体对象的关键点，可以确定该人体图像中人体对象的姿势。结合每一人体图像的前一人体图像的、后一人体图像中人体对象的姿势，可以确定人体对象的动作。

继续参见图3，其示出了根据本申请的用于识别动作的方法的一个应用场景的示意图。在图3的应用场景中，服务器301可以接收终端设备302发送的用户的动作视频。经过对上述动作视频中多个视频帧进行步骤202～205的处理后，识别出用户的动作。

在一些具体的应用中，服务器301还可以将识别出的动作动画化，得到上述演员的动作动画。

本申请的上述实施例提供的用于识别动作的方法，可以对目标视频中的多个视频帧进行人体检测后，识别出每个人体图像中人体对象的关键点。然后结合目标视频的空间特征信息，得到人体对象的动作，从而实现了动作的识别，提高了动作识别的准确率。

继续参见图4，其示出了根据本申请的用于识别动作的方法的另一个实施例的流程400。如图4所示，本实施例的方法可以包括以下步骤：

步骤401，获取目标视频。

步骤402，对目标视频中的多个视频帧进行人体检测，确定多张人体图像。

步骤403，根据多张人体图像以及预先训练的特征提取模型，确定人体对象的关键点。

本实施例中，执行主体可以将各人体图像输入预先训练的特征提取模型，得到的输出即为人体对象的关键点。上述特征提取模型用于表征人体图像与关键点的对应关系。这里，上述对应关系可以包括人体图像与多个关键点坐标的对应关系。上述特征提取模型可以是各种神经网络，例如可以是ResNet(Residual Network，残差网络)，也可以是以ResNet作为骨干(backbone)的网络。上述特征提取模型可以是预先训练好的，执行主体可以从云端或者预先存储上述模型的设备中直接获取。

在本实施例中，执行主体具体可以通过步骤4031～4034来确定人体对象的关键点：

步骤4031，根据多张人体图像以及预先训练的特征提取模型，确定第一特征图和第二特征图。

本实施例中，执行主体可以将各人体图像输入上述预先训练的特征提取模型中，得到第一特征图和第二特征图。第一特征图和第二特征图的分辨率可以不同，其表示的含义也可以不同。在一些具体的实践中，第一特征图可以是ResNet输出的特征图，第二特征图可以是ResNet中间得到的特征图。第一特征图的分辨率可以为512×8×8，第二特征图的分辨率可以为2048×64×64。

步骤4032，根据第一特征图，确定人体对象的关键点的立体热力图。

执行主体可以根据第一特征图，确定人体对象的关键点的立体热力图。热力图可以已特殊高亮的形式显示关注的区域。本实施例中，由于人体是三维的立体的，关键点的坐标也是三维的，则采用立体热力图更能够准确地表达人体的关键点。执行主体可以对第一特征图再次进行特征提取，得到人体对象的关键点的立体热力图。具体的，执行主体可以利用至少一个卷积层来实现立体热力图的确定。

本实施例中，执行主体可以将ResNet输出的每个值都映射到(0,1)之间，这个过程称为归一化。每一个归一化后的立体热力图表示该点在一个固定空间中的高斯分布。在一些具体的实践中，立体热力图的分辨率为预先设定的。

在本实施例的一些可选的实现方式中，上述步骤4032具体可以通过图4中未示出的以下步骤来实现：增大第一特征图的分辨率，得到第三特征图；提取第三特征图的特征，得到立体热力图。

本实现方式中，执行主体可以首先增大第一特征图的分辨率，得到第三特征图。具体的，执行主体可以通过插值的方式增大分辨率，或者通过反卷积的方式增大分辨率。在一些具体的实践中，执行主体可以将上述第一特征图输入至少一个反卷积层实现分辨率的增大。这样可以使得得到的关键点的坐标值更精确。

执行主体可以进一步提取第三特征图的特征，得到立体热力图。在一些具体的实践中，执行主体可以通过一个卷积层来提取第三特征图的特征，得到立体热力图。

步骤4033，根据第二特征图以及立体热力图，确定关键点的偏移向量。

执行主体还可以根据第二特征图以及立体热力图，确定关键点的偏移向量。具体的，执行主体可以将二者融合，得到关键点的偏移向量。或者，执行主体可以进一步提取融合后的特征图的特征，得到关键点的偏移向量。可以理解的是，关键点的偏移向量与关键点的立体热力图尺寸相同。

在本实施例的一些可选的实现方式中，上述步骤4033具体可以通过图4中未示出的以下步骤来实现：将第二特征图以及立体热力图进行融合，得到第一融合特征图；提取第一融合特征图的特征，得到关键点的偏移向量。

本实现方式中，执行主体可以将第二特征图以及立体热力图进行融合，得到第一融合特征图。这里的融合可以指将第二特征图和立体热力图中的各像素对应相加，或者将第二特征图和立体热力图中的各像素按对应的权重相加。执行主体可以进一步提取第一融合特征图的特征，得到关键点的偏移向量。具体的，执行主体可以将第一融合特征图输入至少一个卷积核为1×1的卷积层，实现特征的提取，卷积层的输出即为关键点的偏移向量。上述卷积层的意义在于将第二特征图以及立体热力进行比较，确定二者之间的差异。

步骤4034，根据立体热力图以及偏移向量，确定关键点的坐标信息。

执行主体可以根据立体热力图以及上述偏移向量，确定关键点的坐标。具体的，执行主体可以将立体热力图与偏移向量对应相加，从而得到关键点的坐标信息。可以理解的是，坐标信息可以是向量，也可以是矩阵，还可以是特征图。

在本实施例的一些可选的实现方式中，执行主体在确定关键点的坐标后，可以可视化的展示上述关键点。

步骤404，根据多个视频帧以及预先训练的空间信息提取模型，确定空间特征信息。

本实施例中，执行主体还可以将多个视频帧输入预先训练的空间信息提取模型中，模型的输出即为空间特征信息。上述空间信息提取模型可以为spatial CNN，其将传统的卷积层接层(layer-by-layer)的连接形式的转为feature map中片连片卷积(slice-by-slice)的形式，使得图中像素行和列之间能够传递信息。spatial CNN可以包括3个卷积层+激活层+卷积层+激活层+池化层的结构，之后连接8个卷积层+激活层的结构，后面再连接3个全连接层(fc层)+激活层+丢弃层(dropout层)以及一个全连接层。最后再接上4个空洞卷积层，以及4个卷积层+激活层的结构。

本实施例中，执行主体具体可以通过步骤4041～4042来确定空间特征信息：

步骤4041，提取多个视频帧的上下文特征信息，得到上下文特征图。

本实施例中，执行主体可以首先提取多个视频帧的上下文特征信息，得到上下文特征图。具体的，执行主体可以通过spatial CNN的3个卷积层+激活层+卷积层+激活层+池化层的结构以及8个卷积层+激活层的结构，提取各视频帧的上下文的高层次特征信息。然后，通过3个全连接层(fc层)+激活层+丢弃层(dropout层)以及一个全连接层的结构提取空间上下文信息，得到上下文特征图。

步骤4042，放大上下文特征图的感受野，提取放大感受野后的上下文特征图的特征，得到空间特征信息。

执行主体可以进一步通过4个空洞卷积层来放大上下文特征图的感受野。将放大感受野后的上下文特征图输入4个卷积层+激活层的结构，最终得到各视频帧的空间特征信息。

步骤405，根据关键点以及空间特征信息，确定人体对象的动作。

本实施例中，执行主体可以将关键点以及空间特征信息融合，根据融合得到的特征图确定人体对象的动作。具体的，执行主体可以将关键点以及空间特征信息都转化为预设尺寸的特征图，将特征图按照对应的像素点进行叠加，然后进行特征的进一步提取，从而确定人体对象的动作。

步骤4051，对于每张人体图像，确定该人体图像中关键点对应的目标特征图。

本实施例中，执行主体可以将每张人体图像中的所有关键点融合到一个立体热力图中，得到目标特征图。具体的，执行主体可以将每个关键点的立体热力图的尺寸调整到同一尺寸，然后将各调整后的图像相加后得到该人体图像的目标特征图。目标特征图的尺寸可以为512×512。

步骤4052，对每个视频帧的空间特征信息进行调整，得到预设尺寸的空间特征图。

执行主体还可以对每个视频帧的空间特征信息进行调整，使得调整后的图像尺寸与目标特征图的尺寸相同。

步骤4053，融合各目标特征图以及各空间特征图，得到第二融合特征图。

执行主体可以融合各目标特征图以及各空间特征图，得到第二融合特征图。具体的，执行主体可以将各目标特征图与各空间特征图对应相加，得到第二融合特征图。

步骤4054，根据第二融合特征图，确定人体对象的动作。

本实施例中，执行主体可以对第二融合特征图进行进一步处理，以确定人体对象的动作。具体的，执行主体可以将第二融合特征图输入全连接层，得到人体动作的分类结果。

在本实施例的一些可选的实现方式中，上述步骤4053具体可以通过图4中未示出的以下步骤来实现：在各目标特征图中确定出候选目标特征图；利用对应的空间特征图替换候选目标特征图，得到特征图序列；提取特征图序列的特征，得到第二融合特征图。

由于每张人体图像中的人体对象的各关键点都对应有目标特征图，则人体图像与目标特征图之间也存在对应关系。另外，每个视频帧也对应有空间特征信息，并且每个空间特征信息对应有空间特征图，则每个视频帧也对应有空间特征图。本实现方式中，执行主体可以首先将各人体图像对应的目标特征图按时间轴排列，得到目标特征图序列。同时将各空间特征图按照时间轴排列，得到目标空间特征图序列。

执行主体可以从上述各目标特征图中确定出候选目标特征图。具体的，执行主体可以每间隔3帧选取一个目标特征图作为候选目标特征图。然后，执行主体可以利用对应的空间特征图替换候选目标特征图，得到更新的特征图序列。然后，提取上述更新的特征图序列的特征，得到第二融合特征图。

在一些具体的实现中，执行主体可以按时间顺序将特征图序列中的各特征图输入单个卷积层中，然后将得到的各特征图再输入单个卷积层中，经过多次卷积处理，得到第二融合特征图。

本申请的上述实施例提供的用于识别动作的方法，可以在识别动作的同时融合人物的关键点和空间特征信息，降低了计算量，提高了识别效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于识别动作的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于识别动作装置500包括：视频获取单元501、人体检测单元502、关键点确定单元503、空间特征提取单元504和动作识别单元505。

视频获取单元501，被配置成获取目标视频。

人体检测单元502，被配置成对目标视频中的多个视频帧进行人体检测，确定多张人体图像。

关键点确定单元503，被配置成确定多张人体图像中人体对象的关键点。

空间特征提取单元504，被配置成确定多个视频帧的空间特征信息；

动作识别单元505，被配置成根据关键点以及空间特征信息，确定人体对象的动作。

在本实施例的一些可选的实现方式中，关键点确定单元503可以进一步被配置成：根据多张人体图像以及预先训练的特征提取模型，确定人体对象的关键点。

在本实施例的一些可选的实现方式中，关键点确定单元503可以进一步被配置成：根据多张人体图像以及预先训练的特征提取模型，确定第一特征图和第二特征图；根据第一特征图，确定人体对象的关键点的立体热力图；根据第二特征图以及立体热力图，确定关键点的偏移向量；根据立体热力图以及偏移向量，确定关键点的坐标信息。

在本实施例的一些可选的实现方式中，关键点确定单元503可以进一步被配置成：增大第一特征图的分辨率，得到第三特征图；提取第三特征图的特征，得到立体热力图。

在本实施例的一些可选的实现方式中，关键点确定单元503可以进一步被配置成：将第二特征图以及立体热力图进行融合，得到第一融合特征图；提取第一融合特征图的特征，得到关键点的偏移向量。

在本实施例的一些可选的实现方式中，空间特征提取单元504可以进一步被配置成：根据多个视频帧以及预先训练的空间信息提取模型，确定空间特征信息。

在本实施例的一些可选的实现方式中，空间特征提取单元504可以进一步被配置成：提取多个视频帧的上下文特征信息，得到上下文特征图；放大上下文特征图的感受野，提取放大感受野后的上下文特征图的特征，得到空间特征信息。

在本实施例的一些可选的实现方式中，动作识别单元505可以进一步被配置成：对于每张人体图像，确定该人体图像中关键点对应的目标特征图；对每个视频帧的空间特征信息进行调整，得到预设尺寸的空间特征图；融合各目标特征图以及各空间特征图，得到第二融合特征图；根据第二融合特征图，确定人体对象的动作。

在本实施例的一些可选的实现方式中，动作识别单元505可以进一步被配置成：在各目标特征图中确定出候选目标特征图；利用对应的空间特征图替换候选目标特征图，得到特征图序列；提取特征图序列的特征，得到第二融合特征图。

应当理解，用于识别动作的装置500中记载的单元501至单元505分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于识别动作的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

根据本申请的实施例，本申请还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了根据本申请实施例的执行用于识别动作的方法的电子设备600的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储器608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。I/O接口(输入/输出接口)605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储器608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器601可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器601执行上文所描述的各个方法和处理，例如用于识别动作的方法。例如，在一些实施例中，用于识别动作的方法可被实现为计算机软件程序，其被有形地包含于机器可读存储介质，例如存储器608。在一些实施例中，计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由处理器601执行时，可以执行上文描述的用于识别动作的方法的一个或多个步骤。备选地，在其他实施例中，处理器601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于识别动作的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器601执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请的保护范围之内。

Claims (21)

1.一种用于识别动作的方法，包括：

获取目标视频；

对所述目标视频中的多个视频帧进行人体检测，确定多张人体图像；

确定所述多张人体图像中人体对象对应的关键点；

确定所述多个视频帧的空间特征信息；

根据所述关键点以及所述空间特征信息，确定所述人体对象的动作。

2.根据权利要求1所述的方法，其中，所述确定所述多张人体图像中人体对象对应的关键点，包括：

根据所述多张人体图像以及预先训练的特征提取模型，确定人体对象对应的关键点。

3.根据权利要求2所述的方法，其中，所述根据所述多张人体图像以及预先训练的特征提取模型，确定人体对象对应的关键点，包括：

根据所述多张人体图像以及预先训练的特征提取模型，确定第一特征图和第二特征图；

根据所述第一特征图，确定人体对象的关键点的立体热力图；

根据所述第二特征图以及所述立体热力图，确定关键点的偏移向量；

根据所述立体热力图以及所述偏移向量，确定关键点的坐标信息。

4.根据权利要求3所述的方法，其中，所述根据所述第一特征图，确定人体对象的关键点的立体热力图，包括：

增大所述第一特征图的分辨率，得到第三特征图；

提取所述第三特征图的特征，得到所述立体热力图。

5.根据权利要求3所述的方法，其中，所述根据所述第二特征图以及所述立体热力图，确定关键点的偏移向量，包括：

将所述第二特征图以及所述立体热力图进行融合，得到第一融合特征图；

提取所述第一融合特征图的特征，得到所述关键点的偏移向量。

6.根据权利要求1所述的方法，其中，所述确定所述多个视频帧的空间特征信息，包括：

根据所述多个视频帧以及预先训练的空间信息提取模型，确定所述空间特征信息。

7.根据权利要求6所述的方法，其中，所述根据所述多个视频帧以及预先训练的空间信息提取模型，确定所述空间特征信息，包括：

提取多个视频帧的上下文特征信息，得到上下文特征图；

放大所述上下文特征图的感受野，提取放大感受野后的上下文特征图的特征，得到所述空间特征信息。

8.根据权利要求1所述的方法，其中，所述根据所述关键点以及所述空间特征信息，确定所述人体对象的动作，包括：

对于每张人体图像，确定该人体图像中所述关键点对应的目标特征图；

对每个视频帧的空间特征信息进行调整，得到预设尺寸的空间特征图；

融合各目标特征图以及各空间特征图，得到第二融合特征图；

根据所述第二融合特征图，确定人体对象的动作。

9.根据权利要求8所述的方法，其中，所述融合各目标特征图以及各空间特征图，得到第二融合特征图，包括：

在各目标特征图中确定出候选目标特征图；

利用对应的空间特征图替换所述候选目标特征图，得到特征图序列；

提取所述特征图序列的特征，得到所述第二融合特征图。

10.一种用于识别动作的装置，包括：

视频获取单元，被配置成获取目标视频；

人体检测单元，被配置成对所述目标视频中的多个视频帧进行人体检测，确定多张人体图像；

关键点确定单元，被配置成确定所述多张人体图像中人体对象的关键点；

空间特征提取单元，被配置成确定所述多个视频帧的空间特征信息；

动作识别单元，被配置成根据所述关键点以及所述空间特征信息，确定所述人体对象的动作。

11.根据权利要求10所述的装置，其中，所述关键点确定单元进一步被配置成：

根据所述多张人体图像以及预先训练的特征提取模型，确定人体对象的关键点。

12.根据权利要求11所述的装置，其中，所述关键点确定单元进一步被配置成：

根据所述多张人体图像以及预先训练的特征提取模型，确定第一特征图和第二特征图；

根据所述第一特征图，确定人体对象的关键点的立体热力图；

根据所述第二特征图以及所述立体热力图，确定关键点的偏移向量；

根据所述立体热力图以及所述偏移向量，确定关键点的坐标信息。

13.根据权利要求12所述的装置，其中，所述关键点确定单元进一步被配置成：

增大所述第一特征图的分辨率，得到第三特征图；

提取所述第三特征图的特征，得到所述立体热力图。

14.根据权利要求12所述的装置，其中，所述关键点确定单元进一步被配置成：

将所述第二特征图以及所述立体热力图进行融合，得到第一融合特征图；

提取所述第一融合特征图的特征，得到所述关键点的偏移向量。

15.根据权利要求10所述的装置，其中，所述空间特征提取单元进一步被配置成：

根据所述多个视频帧以及预先训练的空间信息提取模型，确定所述空间特征信息。

16.根据权利要求15所述的装置，其中，所述空间特征提取单元进一步被配置成：

提取多个视频帧的上下文特征信息，得到上下文特征图；

放大所述上下文特征图的感受野，提取放大感受野后的上下文特征图的特征，得到所述空间特征信息。

17.根据权利要求10所述的装置，其中，所述动作识别单元进一步被配置成：

对于每张人体图像，确定该人体图像中所述关键点对应的目标特征图；

对每个视频帧的空间特征信息进行调整，得到预设尺寸的空间特征图；

融合各目标特征图以及各空间特征图，得到第二融合特征图；

根据所述第二融合特征图，确定人体对象的动作。

18.根据权利要求17所述的装置，其中，所述动作识别单元进一步被配置成：

在各目标特征图中确定出候选目标特征图；

利用对应的空间特征图替换所述候选目标特征图，得到特征图序列；

提取所述特征图序列的特征，得到所述第二融合特征图。

19.一种用于执行用于识别动作的方法的电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。

Images