摘要：本申请提供了一种动作识别方法及装置，涉及检测监控技术领域。所述方法包括获取摄像头采集的二维图像及搭载在所述摄像头上的重力传感器给出的方位角数据；根据所述摄像头方位角数据对所述二维图像进行变换；以及将所述变换后的多帧二维图像作为经训练后的动作识别神经网络模型的输入，获取由所述动作识别神经网络模型输出的动作识别结果。本申请通过重力传感器采集的数据对图像进行校正，削弱了拍摄角度不同带来的类内特征不够集中的问题，大大降低了分类困难，降低了神经网络在复杂度方面的需求，同时分类结果准确率会有显著提升。

摘要：本申请涉及一种动作识别方法及装置、电子设备及存储介质。其中，方法包括获取对目标对象对应的图像序列；对图像序列进行特征提取，得到空间布局特征、瞬态动作特征以及姿势动作特征；对空间布局特征以及瞬态动作特征进行特征融合，得到融合全局特征；根据融合全局特征以及姿势动作特征，得到目标特征量；根据目标特征量得到用于指示图像序列中的目标对象是否发生目标动作的判定结果。本实施例中的动作识别方法，通过对空间布局特征、瞬态动作特征以及姿势动作特征进行多级融合，达到综合全局特征以及局部特征的目标特征量，以通过不同角度的特征进行动作的识别的目的，进而根据目标特征量得到的判定结果可以有效提高动作识别的准确率。

摘要：本公开是关于一种人体动作识别方法及装置、可读存储介质、电子设备，涉及图像识别技术领域，该方法包括：提取待识别图像中包括的目标对象的人体骨骼点数据，并根据所述人体骨骼点数据计算人体骨骼数据；将人体骨骼点数据以及人体骨骼数据输入至骨骼点分类模型中，得到第一动作分类结果；将所述待识别图像输入至图像分类模型中，得到第二动作分类结果；对第一动作分类结果以及第二动作分类结果进行融合，得到目标对象的人体动作类别。本公开提高了人体动作类别的识别结果的准确率。

摘要：本公开提供一种动作识别方法、动作识别装置、计算机可读介质和电子设备，涉及图像处理技术领域。该方法包括：识别目标图像中目标对象对应的关键点，并对各关键点进行连接得到肢体线；按照目标对象的肢体类型确定所述肢体线的肢体线类型，并确定各所述肢体线对应的位置标识；根据各所述肢体线的肢体线类型和各所述肢体线对应的位置标识进行动作识别，得到所述目标对象的动作类别。本公开可以减少动作识别时需要的数据，进而避免输入过多冗余数据导致识别过程计算量大的问题；同时可以避免冗余数据对识别结果造成影响，导致识别精度降低的问题。

摘要：本申请公开了一种运动动作识别方法及装置、模型、电子设备、存储介质，包括：采集姿态估计设备获取的运动动作的骨架序列；将所述骨架序列输入训练好的非局部时空图卷积模型，得到运动动作识别结果；所述非局部时空图卷积模型由批量归一化层、构建块组、全局平均池化层以及Softmax层依次堆叠而成，所述构建块组包括依次连接的构建块一、构建块二、构建块三、构建块四和构建块五，所述构建块一和构建块五之间还有额外的跳连接，所述构建块二和构建块四之间还有额外的跳连接，每个构建块由两个时空图卷积模型和一个非局部层组成。

摘要：本发明属于动作识别处理技术领域，尤其是涉及动作识别方法，包括以下步骤：视频图像的采集过程，基于网络摄像机对图像进行获取并存储于摄像头的存储设备中；获取原始视频序列，将摄像机的存储设备连接计算机，利用计算机打开视频和图像文件；动作时域分割，把连续的动作从视频中分割出来成为多个剪辑并标记为剪辑1、剪辑2、剪辑3...剪辑n，该步骤是基于自动编码器在视频序列的每帧上独立判断动作的类型。优点在于：本发明采用密度轨迹的方法对图像中的动作特征进行识别，并采用fisher vector的编码，大大提高了图像特征的维度，能够更好的用来描述图像，另外采用加密的安全方式对图像的获取进行保密工作，提高图像使用的安全性。

摘要：本说明书提供动作识别方法及装置，其中所述动作识别方法包括：获取图像采集设备采集的图像帧；对所述图像帧中的目标对象的动作区域进行分割处理，获得中间图像；将所述中间图像输入动作识别模型进行关键点识别和坐标映射，获得识别出的动作关键点对应的动作组架节点，以及所述动作关键点映射的三维坐标信息；根据所述三维坐标信息、所述动作组架节点及其所属的虚拟动作组架生成三维虚拟对象；基于动作识别数据集对所述三维虚拟对象进行动作识别，确定所述目标对象的动作类型。

摘要：本公开提供了一种动作识别方法及装置、存储介质，其中，包括：获取场景图像；对所述场景图像进行对象的不同部位检测、同一对象中不同部位的关联以及对象的动作识别，确定所述场景图像包括的至少一个对象和所述至少一个对象中每个对象的目标动作类型。

摘要：本公开提供了一种动作识别方法及装置、电子设备、计算机可读存储介质。其中，本公开利用目标对象对应的对象边框来确定动作特征信息，而不是利用整帧图像来确定动作特征信息，能够有效降低每帧图像中用于进行动作识别的数据量，从而能够增加用于进行动作识别的图像的数量，有利于提高动作识别的准确度；另外，本公开不仅利用目标对象的动作特征信息来进行动作分类和识别，还利用视频片段和确定的上述动作特征信息，提取到了目标对象所处场景的场景特征信息以及与目标对象的动作有关联的时序特征信息，在动作特征信息的基础上，结合场景信息和时序特征信息能够进一步提高动作识别的准确度。

摘要：本发明实施例提供了一种动作识别方法及装置，涉及计算机视觉技术领域，其中，上述方法包括：检测第一类目标的关键点，获取第二类目标对应的关键点序列，根据第二类目标中属于第一类目标的目标对应的关键点序列和所检测到的关键点，生成各个第一类目标对应的关键点序列，根据各个第一类目标对应的关键点序列，对各个第一类目标进行动作识别。由此可见，应用本发明实施例提供的方案，可以实现对视频中目标的动作进行识别。

摘要：本申请的实施例揭示了一种视频动作识别方法及装置，该方法包括：获取视频流中视频图像序列在空间和设定通道上抽取的原始特征，所述原始特征是所述视频图像序列在时间、空间和通道维度上的特征联合表示；对所述原始特征进行所述通道维度和时间维度的分离处理，获得所述视频图像序列的分离特征；汇合所述分离特征与所述原始特征，获得所述视频图像序列的目标特征；根据所述目标特征识别所述视频图像序列中包含的动作，获得动作识别结果。采用该方法能够对视频流中包含的动作进行准确识别。

摘要：本发明提出了一种动作识别方法及装置，包括：获取视频中待识别对象在运动时的骨骼数据；根据所述骨骼数据生成所述待识别对象的骨骼序列；生成与所述骨骼序列对应的骨骼特征图像，所述骨骼特征图像中包括若干个骨骼点；将骨骼特征图像输入至预设卷积神经网络模型进行分类，得到与所述骨骼特征图对应的动作类别。本发明将动作识别的问题转化成骨骼序列图像分类的问题，将骨骼序列转换为骨骼特征图像，然后再对骨骼特征图像分类，使得识别更加准确，效率更高。

摘要：本公开是关于一种动作识别方法及装置，该方法包括：采集多帧用户图像，所述用户图像中包括用户手指和用户双眼；根据所述用户图像确定手指滑动的第一像素距离和用户双眼之间的第二像素距离；根据所述第一像素距离和所述第二像素距离计算手指滑动的相对距离；若所述相对距离大于设定阈值时，则确定用户手指在所述第一像素距离上做出了滑动动作。因此，本公开避免了由于用户距离智能终端的远近而导致的动作识别错误，还提高了动作识别结果的可靠性。

摘要：本公开涉及一种动作识别方法及装置，驾驶员状态分析方法及装置，所述动作识别方法包括：在检测图像中检测人脸的目标部位；根据所述目标部位的检测结果在所述检测图像中截取与所述目标部位对应的目标图像；根据所述目标图像识别所述人脸所属的对象是否执行设定的动作。本公开实施例可以适用于不同的检测图像中面积大小不同的人脸，也能够适用不同脸型的人脸。本公开实施例的适用范围广。目标图像即可以包括足够的用于分析的信息，也可以避免由于截取的目标图像的面积过大、无用信息过多导致的系统处理效率低的问题。

摘要：本申请提供一种动作识别方法及装置，用于解决目前头部动作识别算法复杂，识别耗时较长的问题。该动作识别方法包括：采集多帧用户脸部图像，并从该多帧用户脸部图像中提取人脸的第一特征区域以及第二特征区域，该第一特征区域与该第二特征区域分别位于人脸相对的两侧；确定该多帧用户脸部图像中每帧图像的该第一特征区域与该第二特征区域的面积比值；根据该多帧用户脸部图像的该面积比值的变化确定用户的头部运动方式。

摘要：本发明实施例公开了一种视频动作识别方法及装置、电子设备和存储介质，其中的方法包括：基于待检测视频中的连续图像帧，得到待检测区域；对待检测区域进行特征提取，得到视觉底层特征；将视觉底层特征拆分为至少一个动作分支特征，并依据各个动作分支特征对应的动作分支识别网络分别对各个动作分支特征进行分类预测；对各个动作分支特征的分类预测结果进行融合处理，得到待检测视频的动作识别结果。本发明实施例基于共享的底层特征，在不同分支处理不同成分的信息，增强了对视频动态的表达能力。

摘要：本发明涉及动作识别领域，具体涉及一种人体动作识别方法及装置，所述方法包括将每个数据帧中的人体目标的距离信息和角度信息代入极坐标系中计算出人体目标位置的初始值；对计算出的人体目标位置的初始值进行滤波处理，确定每个数据帧中人体目标的估计位置；根据两个连续数据帧中的人体目标位置计算获得人体目标的移动速度；根据所述人体目标位置和所述人体目标的移动速度，构建随机森林，计算识别得出人体目标的动作类型。通过距离信息和角度信息采用双自由度的划分调制，使用粒子滤波器和数据融合的方式提高人体目标定位的准确度，构造随机森林并将识别结果作为最终的动作分类结果，增加了识别的精确度。

摘要：本发明提供的动作识别方法及装置确定接收视频数据中的目标帧和目标帧之前的连续若干帧，并在视频数据中提取该目标帧的数据信息和该目标帧之前的连续若干帧的数据信息。对预设个数的增益参数、目标帧的数据信息和目标帧之前的连续若干帧的数据信息进行预设次数的卷积处理，获得高阶特征数据，将该高阶特征数据添加至视频数据中，形成待提取数据，对待提取数据进行时序特征提取，获得特征向量，最后根据特征向量获取动作识别结果，从而可以提取到视频数据的高阶特征，进而提高动作识别的准确度。

摘要：本公开是关于动作识别方法及装置。该方法包括：记录所述智能装置从振动开始到平稳的振动轨迹信息；根据所述振动轨迹信息，判断所述振动是否是阻尼振动；当所述振动是阻尼振动时，确定所述振动是由用户的触发动作产生的。该技术方案中，智能装置发生阻尼振动条件是接收到一个撞击力，而不是因为智能装置移动产生的振动，这样，装置就能识别出该振动是用户给予的一个触发动作，从而实现无需键盘或遥控器的人机交互，提高用户体验。

摘要：本发明涉及智能家居领域，尤其涉及一种动作识别方法及装置，为了解决现有技术中存在的因摄像头视线遮挡不能准确进行动作识别的问题，该方法为：先提取预设时间段内的视频影像，确定视频影像包含的每一帧画面中的人脸的面积拟合值和距离拟合值，获得面积拟合值集合和距离拟合值集合，从距离拟合值集合中，按照预设规则，提取出第一距离拟合值和第二距离拟合值，基于面积拟合值集合，确定提取的第一距离拟合值和第二距离拟合值满足预设条件时，确定在预设时间段内发生目标动作，这样，仅仅只需要检测行为主体的面部，就可实时的完成动作识别，有效避免了因摄像头视线遮挡，而无法确定行为主体四肢和躯干，进而无法进行准确的动作识别的问题。