CN116012661A - 动作识别方法、装置、存储介质及终端 - Google Patents

Abstract

本公开涉及一种动作识别方法、装置、存储介质及终端，所述方法包括：通过终端采集多帧目标对象的待识别图像，所述待识别图像包括RGB图像和深度图像；将多帧所述待识别图像输入预先训练的动作识别模型，输出多帧所述待识别图像对应的动作类型。也就是说，本公开采集的待识别图像包括RGB图像和深度图像，该深度图像可以体现待识别动作的距离信息，这样，对该待识别图像进行识别得到的动作类型更加准确，从而提高了动作识别的准确率。

Description

动作识别方法、装置、存储介质及终端

技术领域

本公开涉及终端技术领域，尤其涉及一种动作识别方法、装置、存储介质及终端。

背景技术

人体的动作识别具有广泛的应用前景，例如，人体的动作识别可以被应用于辅助驾驶、电视或手机控制、VR(Virtual Reality，虚拟现实)、AR(Augmented Reality，增强现实)等场景中。

相关技术中，基于摄像机拍摄到的图像帧来进行人体的动作识别，例如，使用基于卷积神经网络模型训练得到的动作识别模型对图像帧中的动作进行识别。但是，这种动作识别方式中使用的图像帧是二维的，该二维的图像帧不能体现完整的动作，导致动作识别的准确率比较低。

发明内容

为克服相关技术中存在的问题，本公开提供一种动作识别方法、装置、存储介质及终端。

根据本公开实施例的第一方面，提供一种动作识别方法，所述方法包括：

通过终端采集多帧目标对象的待识别图像，所述待识别图像包括RGB图像和深度图像；

将多帧所述待识别图像输入预先训练的动作识别模型，输出多帧所述待识别图像对应的动作类型。

可选地，在所述将多帧所述待识别图像输入预先训练的动作识别模型，输出多帧所述待识别图像对应的动作类型前，所述方法包括：

针对每帧所述待识别图像的RGB图像和深度图像，获取所述RGB图像对应的RGB特征图像和所述深度图像对应的深度特征图像，所述RGB特征图像和所述深度特征图像包括所述目标对象的指定部位；

所述将多帧所述待识别图像输入预先训练的动作识别模型，输出多帧所述待识别图像对应的动作类型包括：

将每帧所述待识别图像对应的所述RGB特征图像和所述深度特征图像输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型。

可选地，在所述将每帧所述待识别图像对应的所述RGB特征图像和所述深度特征图像输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型前，所述方法包括：

针对每帧所述待识别图像，根据所述待识别图像对应的所述RGB特征图像和所述深度特征图像，获取所述待识别图像对应的置信图，所述置信图用于表征所述RGB特征图像和所述深度特征图像之间的匹配度；

所述将每帧所述待识别图像对应的所述RGB特征图像和所述深度特征图像输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型包括：

将每帧所述待识别图像对应的所述RGB特征图像、所述深度特征图像以及所述置信图输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型。

可选地，所述根据所述待识别图像对应的所述RGB特征图像和所述深度特征图像，获取所述待识别图像对应的置信图包括：

确定所述RGB特征图像与所述深度特征图像之间的匹配度；

根据所述匹配度，获取所述待识别图像对应的置信图。

可选地，在所述获取所述RGB图像对应的RGB特征图像和所述深度图像对应的深度特征图像前，所述方法包括：

对所述RGB图像进行矫正处理，得到RGB矫正图像；

对所述深度图像进行矫正处理，得到深度矫正图像；

所述获取所述RGB图像对应的RGB特征图像和所述深度图像对应的深度特征图像包括：

根据所述RGB矫正图像，获取所述RGB图像对应的RGB特征图像；

根据所述深度矫正图像，获取所述深度图像对应的深度特征图像。

可选地，所述获取所述RGB图像对应的RGB特征图像和所述深度图像对应的深度特征图像包括：

对所述RGB图像进行第一目标提取，得到所述RGB图像对应的RGB特征图像；

对所述深度图像进行第二目标提取，得到所述深度图像对应的深度特征图像。

根据本公开实施例的第二方面，提供一种动作识别装置，所述装置包括：

图像采集模块，被配置为通过终端采集多帧目标对象的待识别图像，所述待识别图像包括RGB图像和深度图像；

类型输出模块，被配置为将多帧所述待识别图像输入预先训练的动作识别模型，输出多帧所述待识别图像对应的动作类型。

可选地，所述装置包括：

特征图像获取模块，被配置为针对每帧所述待识别图像的RGB图像和深度图像，获取所述RGB图像对应的RGB特征图像和所述深度图像对应的深度特征图像，所述RGB特征图像和所述深度特征图像包括所述目标对象的指定部位；

所述类型输出模块，还被配置为：

将每帧所述待识别图像对应的所述RGB特征图像和所述深度特征图像输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型。

可选地，所述装置包括：

置信图获取模块，被配置为针对每帧所述待识别图像，根据所述待识别图像对应的所述RGB特征图像和所述深度特征图像，获取所述待识别图像对应的置信图，所述置信图用于表征所述RGB特征图像和所述深度特征图像之间的匹配度；

所述类型输出模块，还被配置为：

将每帧所述待识别图像对应的所述RGB特征图像、所述深度特征图像以及所述置信图输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型。

可选地，所述置信图获取模块，还被配置为：

确定所述RGB特征图像与所述深度特征图像之间的匹配度；

根据所述匹配度，获取所述待识别图像对应的置信图。

可选地，所述装置包括：

RGB图像矫正模块，被配置为对所述RGB图像进行矫正处理，得到RGB矫正图像；

深度图像矫正模块，被配置为对所述深度图像进行矫正处理，得到深度矫正图像；

所述特征图像获取模块，还被配置为：

根据所述RGB矫正图像，获取所述RGB图像对应的RGB特征图像；

根据所述深度矫正图像，获取所述深度图像对应的深度特征图像。

可选地，所述特征图像获取模块，还被配置为：

对所述RGB图像进行第一目标提取，得到所述RGB图像对应的RGB特征图像；

对所述深度图像进行第二目标提取，得到所述深度图像对应的深度特征图像。

根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的动作识别方法的步骤。

根据本公开实施例的第四方面，提供一种终端，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所提供的动作识别方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：通过终端采集多帧目标对象的待识别图像，所述待识别图像包括RGB图像和深度图像；将多帧所述待识别图像输入预先训练的动作识别模型，输出多帧所述待识别图像对应的动作类型。也就是说，本公开采集的待识别图像包括RGB图像和深度图像，该深度图像可以体现待识别动作的距离信息，这样，对该待识别图像进行识别得到的动作类型更加准确，从而提高了动作识别的准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据本公开一示例性实施例示出的一种动作识别方法的流程图；

图2是根据本公开一示例性实施例示出的第二种动作识别方法的流程图；

图3是根据本公开一示例性实施例示出的第三种动作识别方法的流程图；

图4是根据本公开一示例性实施例示出的一种动作识别装置的框图；

图5是根据本公开一示例性实施例示出的第二种动作识别装置的框图；

图6是根据本公开一示例性实施例示出的第三种动作识别装置的框图；

图7是根据本公开一示例性实施例示出的第四种动作识别装置的框图；

图8是根据本公开一示例性实施例示出的一种终端的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

首先，对本公开的应用场景进行说明。本公开可以应用于人体的动作识别，例如手势识别、头部动作识别等。现有技术中，动作识别的方式包括二维动作识别和三维动作识别，三维动作识别是目前的主流技术。针对三维动作识别，相关技术中，预先基于3D卷积神经网络训练动作识别模型，将2D图像序列作为该动作识别模型的输入，实现动作的检测和识别。但是，本公开的发明人发现，这种方式输入动作识别模型的数据仍然是2D的图像序列，而不是待识别动作对应的真实3D数据，在动作识别中未体现距离信息，从而导致动作识别的准确率比较低。

为了克服以上相关技术中存在的技术问题，本公开提供了一种动作识别方法、装置、存储介质及终端，通过采集包括RGB图像和深度图像的多帧目标对象的待识别图像，多帧该待识别图像输入预先训练的动作识别模型得到多帧待识别图像对应的动作类型，该深度图像可以体现待识别动作的距离信息，这样，对该待识别图像进行识别得到的动作类型更加准确，从而提高了动作识别的准确率。

下面结合具体实施例对本公开进行说明。

图1是根据本公开一示例性实施例示出的一种动作识别方法的流程图，如图1所示，该方法可以包括：

S101、通过终端采集多帧目标对象的待识别图像。

其中，该待识别图像可以包括RGB图像和深度图像。

在本步骤中，可以通过该终端上配置的RGB-D摄像头采集多帧目标对象的待识别图像，该多帧待识别图像可以是连续的多帧图像。采集的该待识别图像的帧数可以根据试验预先测试得到，示例地，可以根据待识别的动作的移动速度和终端的性能确定。

需要说明的是，不同动作的移动速度不同，因此，针对识别不同动作类型的动作识别模型，采集的该待识别图像的帧数可以不同，示例地，针对手势识别模型，可以采集10帧手势图像，针对头部动作识别模型，可以采集15帧头部图像。通过同一个动作识别模型识别不同的动作时，可以采集最大帧数的目标对象的待识别图像，示例地，针对既可以识别手势动作，也可以识别头部动作的动作识别模型，可以采集15帧待识别图像。

S102、将多帧待识别图像输入预先训练的动作识别模型，输出多帧待识别图像对应的动作类型。

在本步骤中，在采集到多帧待识别图像后，可以将多帧待识别图像输入该动作识别模型，通过该动作识别模型对多帧待识别图像进行识别，输出多帧待识别图像对应的动作类型。

采用上述方法，通过采集包括RGB图像和深度图像的多帧目标对象的待识别图像，多帧该待识别图像输入预先训练的动作识别模型得到多帧待识别图像对应的动作类型，该深度图像可以体现待识别动作的距离信息，这样，对该待识别图像进行识别得到的动作类型更加准确，从而提高了动作识别的准确率。

图2根据本公开一示例性实施例示出的第二种动作识别方法的流程图，如图2所示，该方法可以包括：

S201、通过终端采集多帧目标对象的待识别图像。

其中，该待识别图像可以包括RGB图像和深度图像。

S202、针对每帧待识别图像的RGB图像和深度图像，获取该RGB图像对应的RGB特征图像和该深度图像对应的深度特征图像。

其中，该RGB特征图像和该深度特征图像可以包括该目标对象的指定部位。

在本步骤中，在采集多帧待识别图像后，针对每帧待识别图像，可以对该帧待识别图像中的RGB图像和深度图像进行目标检测，获取该RGB图像中包括该目标对象的指定部位的RGB特征图像，以及该深度图像中包括该目标对象的指定部位的深度图像。示例地，若待识别的动作类型为手势动作，该多帧待识别图像包括该目标对象的手势动作和身体动作，例如，在目标对象做手势动作的同时也做了跳跃的动作，则针对采集的多帧待识别图像中的每帧待识别图像，可以检测该帧待识别图像的RGB图像中的手，得到包括手的RGB特征图像，检测该帧待识别图像的深度图像中的手，得到包括手的深度特征图像，需要说明的是，该RGB特征图像和该深度特征图像中仅包括该目标对象的手势动作，不包括该目标对象的身体动作。

S203、将每帧待识别图像对应的RGB特征图像和深度特征图像输入该动作识别模型，输出多帧待识别图像对应的动作类型。

在本步骤中，在得到每帧待识别图像的RGB图像对应的RGB特征图像和深度图像对应的深度特征图像后，可以将每帧待识别图像对应的RGB特征图像和深度特征图像输入该动作识别模型，通过该动作识别模型对该RGB特征图像和深度特征图像进行识别，得到多帧待识别图像对应的动作类型。

采用上述方法，通过获取每帧待识别图像的RGB图像和深度图像中包括该目标对象的指定部位的RGB特征图像和深度特征图像，并通过该动作识别模型对该RGB特征图像和深度特征图像进行识别得到多帧待识别图像对应的动作类型，该RGB特征图像和深度特征图像中仅包括该目标对象的指定部位，滤除了该目标对象中除该指定部位之外的其他部位，避免了其它部位的干扰，这样，使得根据该RGB特征图像和深度特征图像识别得到的动作类型更加准确，从而进一步提高了动作识别的准确率。

图3根据本公开一示例性实施例示出的第三种动作识别方法的流程图，如图3所示，该方法可以包括：

S301、通过终端采集多帧目标对象的待识别图像。

其中，该待识别图像可以包括RGB图像和深度图像。

S302、针对每帧待识别图像的RGB图像和深度图像，获取该RGB图像对应的RGB特征图像和该深度图像对应的深度特征图像。

其中，该RGB特征图像和该深度特征图像可以包括该目标对象的指定部位。

在本步骤中，在获取该RGB图像对应的RGB特征图像和该深度图像对应的深度特征图像之前，可以对该RGB图像进行矫正处理，得到RGB矫正图像，对该深度图像进行矫正处理，得到深度矫正图像。示例地，可以根据预先存储的该终端的摄像头的标定参数，对该RGB特征图像进行立体矫正，得到该RGB矫正图像，对该深度特征图像进行立体矫正处理，得到该深度矫正图像。

进一步地，在得到该RGB矫正图像和深度矫正图像后，可以根据该RGB矫正图像，获取该RGB图像对应的RGB特征图像，根据该深度矫正图像，获取该深度图像对应的深度特征图像。在一种可能的实现方式中，可以对该RGB图像进行第一目标提取，得到该RGB图像对应的RGB特征图像，对该深度图像进行第二目标提取，得到该深度图像对应的深度特征图像。示例地，可以通过第一目标检测器提取该RGB图像中包括该目标对象的指定部位的RGB特征图像，通过第二目标检测器提取该深度图像中包括该目标对象的指定部位的深度特征图像，其中，该第一目标检测器和该第二目标检测器可以通过现有技术的目标检测方式实现，示例地，该第一目标检测器和该第二目标检测器可以基于轮廓分析法、SVM(SupportVector Machine,，支持向量机)、随机森林或神经网络模型实现，该第一目标检测器和该第二目标检测器的参数可以不同。

S303、针对每帧待识别图像，根据该待识别图像对应的RGB特征图像和深度特征图像，获取该待识别图像对应的置信图。

其中，该置信图可以用于表征该RGB特征图像和该深度特征图像之间的匹配度。

在本步骤中，在得到每帧待识别图像对应的RGB特征图像和深度特征图像后，针对每帧待识别图像，可以确定该帧待识别图像对应的RGB特征图像和该深度特征图像之间的匹配度，根据该匹配度，获取该待识别图像对应的置信图。在一种可能的实现方式中，该RGB特征图像和该深度特征图像可以是掩码图，针对每帧待识别图像，可以将该帧待识别图像对应的RGB特征图像和深度特征图像的并集，作为待识别特征图像，之后，针对该待识别特征图像中的每个像素点，计算该RGB特征图像和该深度特征图像之间的匹配度，在得到每个像素点对应的匹配度后，可以对多个匹配度进行归一化处理，得到该待识别图像对应的置信图。

需要说明的是，计算该RGB特征图像和该深度特征图像之间的匹配度的方法，可以参照现有技术中计算图像匹配度的方法实现，此处不再赘述。

S304、将每帧待识别图像对应的该RGB特征图像、该深度特征图像以及该置信图输入该动作识别模型，输出多帧待识别图像对应的动作类型。

其中，该动作识别模型可以是基于LSTM(Long Short-Term Memory，长短期记忆)网络训练得到的模型。

在本步骤中，在得到每帧待识别图像对应的该RGB特征图像、该深度特征图像以及该置信图后，可以将该RGB特征图像、该深度特征图像以及该置信图作为图像序列，输入该动作识别模型，得到多帧待识别图像对应的动作类型。

采用上述方法，通过获取每帧待识别图像的RGB图像和深度图像中包括该目标对象的指定部位的RGB特征图像和深度特征图像，根据每帧待识别图像对应的RGB特征图像和深度特征图像获取该帧待识别图像对应的置信图，并通过该动作识别模型对每帧待识别图像对应的RGB特征图像、深度特征图像以及置信图进行识别得到多帧待识别图像对应的动作类型，该RGB特征图像和深度特征图像中仅包括该目标对象的指定部位，滤除了该目标对象中除该指定部位之外的其他部位，避免了其它部位的干扰，同时，通过该置信图可以体现该RGB特征图像和该深度特征图像之间的相关性，这样，使得根据该RGB特征图像、该深度特征图像以及该置信图识别得到的动作类型更加准确，从而进一步提高了动作识别的准确率。

图4是根据本公开一示例性实施例示出的一种动作识别装置的框图，如图4所示，该装置可以包括：

图像采集模块401，被配置为通过终端采集多帧目标对象的待识别图像，该待识别图像包括RGB图像和深度图像；

类型输出模块402，被配置为将多帧该待识别图像输入预先训练的动作识别模型，输出多帧该待识别图像对应的动作类型。

可选地，图5是根据本公开一示例性实施例示出的第二种动作识别装置的框图，如图5所示，该装置包括：

特征图像获取模块403，被配置为针对每帧该待识别图像的RGB图像和深度图像，获取该RGB图像对应的RGB特征图像和该深度图像对应的深度特征图像，该RGB特征图像和该深度特征图像包括该目标对象的指定部位；

该类型输出模块402，还被配置为：

将每帧该待识别图像对应的该RGB特征图像和该深度特征图像输入该动作识别模型，输出多帧该待识别图像对应的动作类型。

可选地，图6是根据本公开一示例性实施例示出的第三种动作识别装置的框图，如图6所示，该装置包括：

置信图获取模块404，被配置为针对每帧该待识别图像，根据该待识别图像对应的该RGB特征图像和该深度特征图像，获取该待识别图像对应的置信图，该置信图用于表征该RGB特征图像和该深度特征图像之间的匹配度；

该类型输出模块402，还被配置为：

将每帧该待识别图像对应的该RGB特征图像、该深度特征图像以及该置信图输入该动作识别模型，输出多帧该待识别图像对应的动作类型。

可选地，该置信图获取模块404，还被配置为：

确定该RGB特征图像与该深度特征图像之间的匹配度；

根据该匹配度，获取该待识别图像对应的置信图。

可选地，图7是根据本公开一示例性实施例示出的第四种动作识别装置的框图，如图7所示，该装置包括：

RGB图像矫正模块405，被配置为对该RGB图像进行矫正处理，得到RGB矫正图像；

深度图像矫正模块406，被配置为对该深度图像进行矫正处理，得到深度矫正图像；

该特征图像获取模块403，还被配置为：

根据该RGB矫正图像，获取该RGB图像对应的RGB特征图像；

根据该深度矫正图像，获取该深度图像对应的深度特征图像。

可选地，该特征图像获取模块403，还被配置为：

对该RGB图像进行第一目标提取，得到该RGB图像对应的RGB特征图像；

对该深度图像进行第二目标提取，得到该深度图像对应的深度特征图像。

通过上述装置，通过采集包括RGB图像和深度图像的多帧目标对象的待识别图像，多帧该待识别图像输入预先训练的动作识别模型得到多帧待识别图像对应的动作类型，该深度图像可以体现待识别动作的距离信息，这样，对该待识别图像进行识别得到的动作类型更加准确，从而提高了动作识别的准确率。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的动作识别方法的步骤。

图8是根据本公开一示例性实施例示出的一种终端800的框图。例如，终端800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，终端800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制终端800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的动作识别方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在终端800的操作。这些数据的示例包括用于在终端800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件806为终端800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为终端800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述终端800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当终端800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当终端800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为终端800提供各个方面的状态评估。例如，传感器组件814可以检测到终端800的打开/关闭状态，组件的相对定位，例如所述组件为终端800的显示器和小键盘，传感器组件814还可以检测终端800或终端800一个组件的位置改变，用户与终端800接触的存在或不存在，终端800方位或加速/减速和终端800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于终端800和其他设备之间有线或无线方式的通信。终端800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，终端800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述动作识别方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由终端800的处理器820执行以完成上述动作识别方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的动作识别方法的代码部分。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种动作识别方法，其特征在于，所述方法包括：

通过终端采集多帧目标对象的待识别图像，所述待识别图像包括RGB图像和深度图像；

将多帧所述待识别图像输入预先训练的动作识别模型，输出多帧所述待识别图像对应的动作类型。

2.根据权利要求1所述的方法，其特征在于，在所述将多帧所述待识别图像输入预先训练的动作识别模型，输出多帧所述待识别图像对应的动作类型前，所述方法包括：

针对每帧所述待识别图像的RGB图像和深度图像，获取所述RGB图像对应的RGB特征图像和所述深度图像对应的深度特征图像，所述RGB特征图像和所述深度特征图像包括所述目标对象的指定部位；

所述将多帧所述待识别图像输入预先训练的动作识别模型，输出多帧所述待识别图像对应的动作类型包括：

将每帧所述待识别图像对应的所述RGB特征图像和所述深度特征图像输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型。

3.根据权利要求2所述的方法，其特征在于，在所述将每帧所述待识别图像对应的所述RGB特征图像和所述深度特征图像输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型前，所述方法包括：

针对每帧所述待识别图像，根据所述待识别图像对应的所述RGB特征图像和所述深度特征图像，获取所述待识别图像对应的置信图，所述置信图用于表征所述RGB特征图像和所述深度特征图像之间的匹配度；

所述将每帧所述待识别图像对应的所述RGB特征图像和所述深度特征图像输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型包括：

将每帧所述待识别图像对应的所述RGB特征图像、所述深度特征图像以及所述置信图输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述待识别图像对应的所述RGB特征图像和所述深度特征图像，获取所述待识别图像对应的置信图包括：

确定所述RGB特征图像与所述深度特征图像之间的匹配度；

根据所述匹配度，获取所述待识别图像对应的置信图。

5.根据权利要求2所述的方法，其特征在于，在所述获取所述RGB图像对应的RGB特征图像和所述深度图像对应的深度特征图像前，所述方法包括：

对所述RGB图像进行矫正处理，得到RGB矫正图像；

对所述深度图像进行矫正处理，得到深度矫正图像；

所述获取所述RGB图像对应的RGB特征图像和所述深度图像对应的深度特征图像包括：

根据所述RGB矫正图像，获取所述RGB图像对应的RGB特征图像；

根据所述深度矫正图像，获取所述深度图像对应的深度特征图像。

6.根据权利要求2所述的方法，其特征在于，所述获取所述RGB图像对应的RGB特征图像和所述深度图像对应的深度特征图像包括：

对所述RGB图像进行第一目标提取，得到所述RGB图像对应的RGB特征图像；

对所述深度图像进行第二目标提取，得到所述深度图像对应的深度特征图像。

7.一种动作识别装置，其特征在于，所述装置包括：

图像采集模块，被配置为通过终端采集多帧目标对象的待识别图像，所述待识别图像包括RGB图像和深度图像；

类型输出模块，被配置为将多帧所述待识别图像输入预先训练的动作识别模型，输出多帧所述待识别图像对应的动作类型。

8.根据权利要求7所述的装置，其特征在于，所述装置包括：

特征图像获取模块，被配置为针对每帧所述待识别图像的RGB图像和深度图像，获取所述RGB图像对应的RGB特征图像和所述深度图像对应的深度特征图像，所述RGB特征图像和所述深度特征图像包括所述目标对象的指定部位；

所述类型输出模块，还被配置为：

将每帧所述待识别图像对应的所述RGB特征图像和所述深度特征图像输入所述动作识别模型，输出多帧所述待识别图像对应的动作类型。

9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-6中任一项所述方法的步骤。

10.一种终端，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。

Images