CN114694263A - 动作识别方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及虚拟现实技术领域，尤其涉及一种动作识别方法、装置、设备及存储介质。本发明通过获取人体图像，并基于人体图像生成目标人体点云图像，便于后续进行动作识别，再通过人体传感器采集到的传感器信息生成根节点信息，进而将根节点信息与目标人体点云图像通过预设动作识别模型，从而实现精准的动作识别，提高动作识别的效率与实时性，避免了现有技术根据用户的动作实时更新虚拟形象时，动作识别的准确度不高，影响用户的体验的技术问题，提高了用户的使用体验。

Description

动作识别方法、装置、设备及存储介质

技术领域

本发明涉及虚拟现实技术领域，尤其涉及一种动作识别方法、装置、设备及存储介质。

背景技术

近年来，虚拟现实的应用在生活越来越常见，例如：VR游戏、虚拟维修以及虚拟机器人操作等，但是，在虚拟现实应用过程中，现实与虚拟形象之间的数据交互，特别是根据用户的动作实时更新虚拟形象时，动作识别的准确度不高，影响用户的体验。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种动作识别方法、装置、设备及存储介质，旨在解决现有技术根据用户的动作实时更新虚拟形象时，动作识别的准确度不高，影响用户的体验的技术问题。

为实现上述目的，本发明提供了一种动作识别方法，所述方法包括以下步骤：

获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像；

获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息；

将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图；

将所述虚拟人体架构图映射至目标虚拟空间。

可选地，所述获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像，包括：

获取当前人体图像，并获取所述当前人体图像中的特征定位点位置信息；

根据所述当前人体图像与所述特征定位点位置信息生成人体点云图像；

根据目标图像分割阈值对所述人体点云图像进行图像分割，获得目标人体点云图像。

可选地，所述根据目标图像分割阈值对所述人体点云图像进行图像分割，获得目标人体点云图像之前，还包括：

对所述人体点云图像进行图像灰度处理，获得灰度处理后的人体点云图像对应的第一灰度值与第二灰度值；

根据所述第一灰度值与所述第二灰度值确定初始图像分割阈值；

根据所述初始图像分割阈值对所述灰度处理后的人体点云图像进行图像分割，获得第一人体点云分割图像与第二人体点云分割图像；

获取所述第一人体点云分割图像的第一灰度均值，并获取所述第二人体点云分割图像的第二灰度均值；

根据所述第一灰度均值与所述第二灰度均值更新所述初始图像分割阈值，获得目标图像分割阈值。

可选地，所述获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息，包括：

获取预设传感器采集到的传感器信息，并提取所述传感器信息中的传感器三维空间位置信息；

根据所述传感器三维空间位置信息确定传感器相对空间位置信息；

基于所述传感器三维空间位置信息与所述传感器相对空间位置信息确定人体根节点信息。

可选地，将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图，包括：

将所述人体根节点信息通过预设动作识别模型进行动作识别，获得初始人体架构图；

对所述初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果；

根据所述相似度分析结果更新所述初始人体架构图，获得虚拟人体架构图。

可选地，所述对所述初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果，包括：

对所述初始人体架构图进行图像预处理；

确定预处理后的初始人体架构图的躯干定位点与肢体定位点；

根据所述躯干定位点与肢体定位点将预处理之后的初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果。

可选地，所述根据所述躯干定位点与肢体定位点将预处理之后的初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果，包括：

对所述目标人体点云图像进行定位点提取，获得点云定位点；

将所述躯干定位点与肢体定位点分别与所述点云定位点进行比较，获得定位点偏差信息；

根据所述定位点偏差信息进行相似度分析，获得相似度分析结果。

此外，为实现上述目的，本发明还提出一种动作识别装置，所述动作识别装置包括：

点云获取模块，用于获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像；

根节点获取模块，用于获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息；

架构图生成模块，用于将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图；

架构图映射模块，用于将所述虚拟人体架构图映射至目标虚拟空间。

此外，为实现上述目的，本发明还提出一种动作识别设备，所述动作识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的动作识别程序，所述动作识别程序配置为实现如上文所述的动作识别方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有动作识别程序，所述动作识别程序被处理器执行时实现如上文所述的动作识别方法的步骤。

本发明公开了获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像；获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息；将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图；将所述虚拟人体架构图映射至目标虚拟空间，与现有技术相比，本发明通过获取人体图像，并基于人体图像生成目标人体点云图像，便于后续进行动作识别，再通过人体传感器采集到的传感器信息生成根节点信息，进而将根节点信息与目标人体点云图像通过预设动作识别模型，从而实现精准的动作识别，提高动作识别的效率与实时性，避免了现有技术根据用户的动作实时更新虚拟形象时，动作识别的准确度不高，影响用户的体验的技术问题，提高了用户的使用体验。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的动作识别设备的结构示意图；

图2为本发明动作识别方法第一实施例的流程示意图；

图3为本发明动作识别方法第二实施例的流程示意图；

图4为本发明动作识别方法一实施例的目标人体点云图像示意图；

图5为本发明动作识别方法一实施例的人体根节点示意图；

图6为本发明动作识别方法第三实施例的流程示意图；

图7为本发明动作识别装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的动作识别设备结构示意图。

如图1所示，该动作识别设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对动作识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及动作识别程序。

在图1所示的动作识别设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明动作识别设备中的处理器1001、存储器1005可以设置在动作识别设备中，所述动作识别设备通过处理器1001调用存储器1005中存储的动作识别程序，并执行本发明实施例提供的动作识别方法。

本发明实施例提供了一种动作识别方法，参照图2，图2为本发明一种动作识别方法第一实施例的流程示意图。

本实施例中，所述动作识别方法包括以下步骤：

步骤S10：获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像。

需要说明的是，本实施例方法的执行主体可以是具有数据处理、数据采集以及数据传输功能的动作识别设备，例如：电脑或者服务器等，还可以其他具有相同或者相似功能的设备，本实施例副词不做具体限制，在本实施例以及下述实施例中，将会以服务器为例进行说明。

值得说明的是，当前人体图像是指通过图像采集设备采集到的用户人体图像，其中，图像采集设备可以是摄像机组等，本实施例对此不做具体限制。

应当理解的是，目标人体点云图像是指根据图像采集设备采集到的至少一张当前人体图像进行点云处理，获得的目标人体点云图像，其中，目标点云图像可以用于判断用户的动作状态，还可以用于与后续的人体架构图生成。

步骤S20：获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息。

可以理解的是，预设传感器可以安装在人体的关节或者重要部位，例如：头部、肘关节、肩膀关节、膝关节、胯关节、胸口，腹部等，本实施例对此不做具体限制。

此外，传感器信息包括：传感器的三维坐标信息、编号信息、数量信息以及高度信息等，其中，传感器的三维坐标信息用于构件人体的根节点，以便于后续进行人体架构图的生成；编号信息用于区分各个传感器对应的位置，在构建人体根节点时，部分传感器可能存在接近，以至于被视为重合的情况，此时会对动作识别造成影响，通过添加传感器编号以作为区分；数量信息用于提高虚拟人体架构图的分辨度，提高动作识别的精确度；高度信息用于判断用户的姿态，例如：用户在平躺时，在正视方向上的所有的根节点都位于一个平面，在构建根节点时，容易发生误判，导致动作识别不准确。

步骤S30：将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图。

应当说明的是，预设动作识别模型用于根据目标人体点云图像与人体根节点信息生成虚拟人体架构图，以便于后续将数据输入值目标虚拟空间，其中，为了避免后续映射的虚拟形象不会发生定位不准的情况，虚拟retina架构图的尺寸应当不变，且与用户体型相当。

步骤S40：将所述虚拟人体架构图映射至目标虚拟空间。

易于理解的是，目标虚拟空间是指进行虚拟形象数据交互的模拟空间，例如：在进行VR游戏时，需要将用户所在位置映射至VR游戏的虚拟空间中，且当用户做出操作时，通过对用户的动作识别，以及数据映射以使VR游戏中用户对应的虚拟人物形象也会对应的做出相同的操作。

本实施例公开了获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像；获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息；将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图；将所述虚拟人体架构图映射至目标虚拟空间，本实施例通过获取人体图像，并基于人体图像生成目标人体点云图像，便于后续进行动作识别，再通过人体传感器采集到的传感器信息生成根节点信息，进而将根节点信息与目标人体点云图像通过预设动作识别模型，从而实现精准的动作识别，提高动作识别的效率与实时性，避免了现有技术根据用户的动作实时更新虚拟形象时，动作识别的准确度不高，影响用户的体验的技术问题，提高了用户的使用体验。

参考图3，图3为本发明一种动作识别方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，所述步骤S10，包括：

步骤S101：获取当前人体图像，并获取所述当前人体图像中的特征定位点位置信息。

需要说明的是，当前人体图像是指通过图像采集设备采集到的用户人体图像，其中，图像采集设备可以是摄像机组等，本实施例对此不做具体限制。

可以理解的是，特征定位点位置信息可以是图像采集设备采集的人体图像标注的定位点信息，其中，所述特征定位点位置信息用于确定图像中人体的三维特征，以实现三维表示，且由于在本实施例中，采集的当前人体图像存在多张，且由于拍摄角度的问题，部分图像中特征定位点可能会被遮挡，因此需要结合多张图像的多个特征定位点位置信息进行点云图像的生成。

步骤S102：根据所述当前人体图像与所述特征定位点位置信息生成人体点云图像。

步骤S103：根据目标图像分割阈值对所述人体点云图像进行图像分割，获得目标人体点云图像。

需要说明的是，传统技术中采集人体点云图像的图像采集设备成本相对于普通摄像头要高，在不影响成像效果的前提下，通过将多张二位图像进行处理，以获得三维点云图像，可以减少成本。

在具体实现中，根据当前人体图像集合以及每张图像中的特征定位点位置信息以生成人体点云图像，参考图4，但是，在该点云图像中，可能会存在定位点偏差导致存在部分背景，导致人体点云图像的尺寸或者轮廓等与真实的尺寸轮廓等不相同，所以还需要对人体点云图像进行图像分割，以增加点云图像的真实性，还可以减少由于图像采集设备采集图像带来的偏差问题。

进一步地，所述步骤S103，包括：

对所述人体点云图像进行图像灰度处理，获得灰度处理后的人体点云图像对应的第一灰度值与第二灰度值；

根据所述第一灰度值与所述第二灰度值确定初始图像分割阈值；

根据所述初始图像分割阈值对所述灰度处理后的人体点云图像进行图像分割，获得第一人体点云分割图像与第二人体点云分割图像；

获取所述第一人体点云分割图像的第一灰度均值，并获取所述第二人体点云分割图像的第二灰度均值；

根据所述第一灰度均值与所述第二灰度均值更新所述初始图像分割阈值，获得目标图像分割阈值。

值得说明的是，第一灰度值是指灰度处理后的图像最小灰度值，第二灰度值是指灰度处理后的图像最大灰度值，图像分割阈值是指将灰度处理后的图像进行图像分割的分割阈值，且根据迭代次数不同，将图像分割阈值不同。

例如：初始分割阈值为

，其中，最小灰度值为Y1，最大灰度值为Yk，根据初始分割阈值将图像第一次分割为目标与背景两个部分，这两个部分对应的灰度均值为Z0与Zk，其中，Z0与Zk的获取公式为：

其中，z(i，j)是图像像素点(i，j)的灰度值，N(i，j)是图像像素点(i，j)的权重系数，一般N(i，j)= 1.0，本实施例对此不做具体限制。

在具体实现中，根据获得的第一灰度均值以及第二灰度均值可以获得下一次迭代的图像分割阈值，若当前得到的图像分割阈值与上一次迭代的图像分割阈值相等，则该图像分割阈值为待处理图像分割阈值，即最佳图像分割阈值。

本实施例公开了获取当前人体图像，并获取所述当前人体图像中的特征定位点位置信息；根据所述当前人体图像与所述特征定位点位置信息生成人体点云图像；根据目标图像分割阈值对所述人体点云图像进行图像分割，获得目标人体点云图像，本实施例通过获取当前人体图像，并标记当前人体图像中的特征定位点，结合当前人体图像与所述特征定位点位置信息生成人体点云图像，在通过图像分割提出定位误差产生的点云，以提高点云图像的准确性，增加动作识别的精准度。

在本实施例中，所述步骤S20，包括：

步骤S201：获取预设传感器采集到的传感器信息，并提取所述传感器信息中的传感器三维空间位置信息。

需要说明的是，三维空间位置信息可以是用户穿戴的传感器之间的空间位置信息，还可以通过与用户所处环境的至少一个参照物的空间位置信息，本实施例对此不做具体限制。

在具体实现中，各个传感器的三维空间位置坐标的坐标系方向相同，以便于进行相对位置的计算。

步骤S202：根据所述传感器三维空间位置信息确定传感器相对空间位置信息。

可以理解的是，相对空间位置信息是指各个传感器之间的空间位置信息，将各个传感器作为节点，基于传感器之间空间位置信息可以生成人体根节点信息。

步骤S203：基于所述传感器三维空间位置信息与所述传感器相对空间位置信息确定人体根节点信息。

在具体实现中，参照图5，将各个传感器作为根节点，在基于传感器采集到的三维空间位置信息，可以确定根节点信息，其中传感器数量越多，节点越密集，根节点信息越丰富，后续生成架构图的辨识度越高。

本实施例公开了获取预设传感器采集到的传感器信息，并提取所述传感器信息中的传感器三维空间位置信息；根据所述传感器三维空间位置信息与相对位置信息确定传感器相对空间位置信息；基于所述传感器三维空间位置信息与所述传感器相对空间位置信息确定人体根节点信息，本实施例通过传感器采集的三维空间位置信息以确定各个传感器之间的相对空间位置信息，再将传感器作为根节点，基于传感器三维空间位置信息与所述传感器相对空间位置信息确定人体根节点信息，其中，还可以通过传感器的数量提高根节点的辨识度。

参考图6，图6为本发明一种动作识别方法第三实施例的流程示意图。

基于上述第二实施例，在本实施例中，所述步骤S30，包括：

步骤S301：将所述人体根节点信息通过预设动作识别模型进行动作识别，获得初始人体架构图。

需要说明的是，预设动作识别模型用于根据目标人体点云图像与人体根节点信息生成虚拟人体架构图，以便于后续将数据输入值目标虚拟空间，其中，为了避免后续映射的虚拟形象不会发生定位不准的情况，虚拟retina架构图的尺寸应当不变，且与用户体型相当。

在具体实现中，通过预设动作识别模型对人体根节点信息进行动作识别，初步判断用户当前的动作状态，获得初始人体架构图。

步骤S302：对所述初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果。

值得说明的是，相似度分析是指将初始人体架构图与目标人体点云图像的人体轮廓、人体高度以及人体尺寸等信息进行比较，以获得相似度结果。

所述步骤S302，包括：

对所述初始人体架构图进行图像预处理；

确定预处理后的初始人体架构图的躯干定位点与肢体定位点；

根据所述躯干定位点与肢体定位点将预处理之后的初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果。

可以理解的是，图像预处理是指对初始人体架构图进行图像尺寸缩放、图像锐化以及图像二值化处理等操作，本实施例对此不做具体限制。

在具体实现中，躯干定位点是指初始人体架构图中的人体躯干传感器对应的定位点，肢体传感器是指初始人体架构图中的人体肢体上传感器对应的定位点，其中，由于躯干上的传感器与关节处的传感器不同，躯干传感器的位置相对固定，而肢体定位点之间的空间运动角度与空间位置等在运动过程中会发生较大的改变，因此需要进行区分，可以参照传感器编号进行区分，本实施例对此不做具体限制。

所述根据所述躯干定位点与肢体定位点将预处理之后的初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果，包括：

对所述目标点云图像进行定位点提取，获得点云定位点；

将所述躯干定位点与肢体定位点分别与所述点云定位点进行比较，获得定位点偏差信息；

根据所述定位点偏差信息进行相似度分析，获得相似度分析结果。

在具体实现中，点云定位点是指目标人体点云图像中设置的定位点，用于与根节点信息中的躯干定位点与肢体定位点进行位置比较，从而获得两者之间的定位点偏差信息，在对定位点偏差信息进行评分，获得相似度分析结果。

步骤S303：根据所述相似度分析结果更新所述初始人体架构图，获得虚拟人体架构图。

可以理解的是，若相似度分析结果中的相似度大于预设相似度阈值，则无需更新初始人体架构图，其中，预设相似度阈值可以是90%，本实施例对此不作具体限制，若相似度分析结果中的相似度不大于预设相似度阈值，则需更新初始人体架构图，可以返回步骤S10再次获取当前人体图像。

本实施例公开了将所述人体根节点信息通过预设动作识别模型进行动作识别，获得初始人体架构图；对所述初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果；根据所述相似度分析结果更新所述初始人体架构图，获得虚拟人体架构图，本实施例通过根节点信息获取初始人体架构图，再结合目标人体点云图像进行相似度分析，以获得最接近的动作识别结果。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有动作识别程序，所述动作识别程序被处理器执行时实现如上文所述的动作识别方法的步骤。

由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

参照图7，图7为本发明动作识别装置第一实施例的结构框图。

如图7所示，本发明实施例提出的动作识别装置包括：

点云获取模块10，用于获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像。

根节点获取模块20，用于获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息。

架构图生成模块30，用于将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图。

架构图映射模块40，用于将所述虚拟人体架构图映射至目标虚拟空间。

本实施例公开了获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像；获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息；将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图；将所述虚拟人体架构图映射至目标虚拟空间，本实施例通过获取人体图像，并基于人体图像生成目标人体点云图像，便于后续进行动作识别，再通过人体传感器采集到的传感器信息生成根节点信息，进而将根节点信息与目标人体点云图像通过预设动作识别模型，从而实现精准的动作识别，提高动作识别的效率与实时性，避免了现有技术根据用户的动作实时更新虚拟形象时，动作识别的准确度不高，影响用户的体验的技术问题，提高了用户的使用体验。

在一实施例中，所述点云获取模块10，还用于获取当前人体图像，并获取所述当前人体图像中的特征定位点位置信息；根据所述当前人体图像与所述特征定位点位置信息生成人体点云图像；根据目标图像分割阈值对所述人体点云图像进行图像分割，获得目标人体点云图像。

在一实施例中，所述点云获取模块10，还用于对所述人体点云图像进行图像灰度处理，获得灰度处理后的人体点云图像对应的第一灰度值与第二灰度值；根据所述第一灰度值与所述第二灰度值确定初始图像分割阈值；根据所述初始图像分割阈值对所述灰度处理后的人体点云图像进行图像分割，获得第一人体点云分割图像与第二人体点云分割图像；获取所述第一人体点云分割图像的第一灰度均值，并获取所述第二人体点云分割图像的第二灰度均值；根据所述第一灰度均值与所述第二灰度均值更新所述初始图像分割阈值，获得目标图像分割阈值。

在一实施例中，所述根节点获取模块20，还用于获取预设传感器采集到的传感器信息，并提取所述传感器信息中的传感器三维空间位置信息；根据所述传感器三维空间位置信息确定传感器相对空间位置信息；基于所述传感器三维空间位置信息与所述传感器相对空间位置信息确定人体根节点信息。

在一实施例中，所述架构图生成模块30，还用于将所述人体根节点信息通过预设动作识别模型进行动作识别，获得初始人体架构图；对所述初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果；根据所述相似度分析结果更新所述初始人体架构图，获得虚拟人体架构图。

在一实施例中，所述架构图生成模块30，还用于对所述初始人体架构图进行图像预处理；确定预处理后的初始人体架构图的躯干定位点与肢体定位点；根据所述躯干定位点与肢体定位点将预处理之后的初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果。

在一实施例中，所述架构图生成模块30，还用于对所述目标点云图像进行定位点提取，获得点云定位点；将所述躯干定位点与肢体定位点分别与所述点云定位点进行比较，获得定位点偏差信息；根据所述定位点偏差信息进行相似度分析，获得相似度分析结果。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的动作识别方法，此处不再赘述。

此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种动作识别方法，其特征在于，所述动作识别方法包括：

获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像；

获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息；

将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图；

将所述虚拟人体架构图映射至目标虚拟空间。

2.如权利要求1所述的动作识别方法，其特征在于，所述获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像，包括：

获取当前人体图像，并获取所述当前人体图像中的特征定位点位置信息；

根据所述当前人体图像与所述特征定位点位置信息生成人体点云图像；

根据目标图像分割阈值对所述人体点云图像进行图像分割，获得目标人体点云图像。

3.如权利要求2所述的动作识别方法，其特征在于，所述根据目标图像分割阈值对所述人体点云图像进行图像分割，获得目标人体点云图像之前，还包括：

对所述人体点云图像进行图像灰度处理，获得灰度处理后的人体点云图像对应的第一灰度值与第二灰度值；

根据所述第一灰度值与所述第二灰度值确定初始图像分割阈值；

根据所述初始图像分割阈值对所述灰度处理后的人体点云图像进行图像分割，获得第一人体点云分割图像与第二人体点云分割图像；

获取所述第一人体点云分割图像的第一灰度均值，并获取所述第二人体点云分割图像的第二灰度均值；

根据所述第一灰度均值与所述第二灰度均值更新所述初始图像分割阈值，获得目标图像分割阈值。

4.如权利要求1所述的动作识别方法，其特征在于，所述获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息，包括：

获取预设传感器采集到的传感器信息，并提取所述传感器信息中的传感器三维空间位置信息；

根据所述传感器三维空间位置信息确定传感器相对空间位置信息；

基于所述传感器三维空间位置信息与所述传感器相对空间位置信息确定人体根节点信息。

5.如权利要求1所述的动作识别方法，其特征在于，将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图，包括：

将所述人体根节点信息通过预设动作识别模型进行动作识别，获得初始人体架构图；

对所述初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果；

根据所述相似度分析结果更新所述初始人体架构图，获得虚拟人体架构图。

6.如权利要求5所述的动作识别方法，其特征在于，所述对所述初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果，包括：

对所述初始人体架构图进行图像预处理；

确定预处理后的初始人体架构图的躯干定位点与肢体定位点；

根据所述躯干定位点与肢体定位点将预处理之后的初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果。

7.如权利要求6所述的动作识别方法，其特征在于，所述根据所述躯干定位点与肢体定位点将预处理之后的初始人体架构图与所述目标人体点云图像进行相似度分析，获得相似度分析结果，包括：

对所述目标人体点云图像进行定位点提取，获得点云定位点；

将所述躯干定位点与肢体定位点分别与所述点云定位点进行比较，获得定位点偏差信息；

根据所述定位点偏差信息进行相似度分析，获得相似度分析结果。

8.一种动作识别装置，其特征在于，所述动作识别装置包括：

点云获取模块，用于获取当前人体图像，并基于所述当前人体图像生成目标人体点云图像；

根节点获取模块，用于获取预设传感器采集到的传感器信息，并根据所述传感器信息确定人体根节点信息；

架构图生成模块，用于将所述目标人体点云图像与所述人体根节点信息通过预设动作识别模型进行动作识别，获得虚拟人体架构图；

架构图映射模块，用于将所述虚拟人体架构图映射至目标虚拟空间。

9.一种动作识别设备，其特征在于，所述动作识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的动作识别程序，所述动作识别程序配置为实现如权利要求1至7中任一项所述的动作识别方法。

10.一种存储介质，其特征在于，所述存储介质上存储有动作识别程序，所述动作识别程序被处理器执行时实现如权利要求1至7任一项所述的动作识别方法。

Images