基于计算机视觉和机器学习的人体动作识别技术方法

本研究采用了计算机视觉和机器学习技术进行数据处理和分析。具体而言，我们采用了 mediapipe 框架，这是一个专用于机器学习中姿势估计、手势识别等模型构建的框架，被广泛应用于计算机视觉领域，尤其是机器人学、计算机辅助诊断、人机交互等领域。在训练处理视频的程序中，我们采用了 K-近邻（KNN）算法进行动作分类，该算法是一种有监督机器学习算法，通过计算待分类样本与样本数据之间距离最近的 k 个点，根据这些点的标签对待分类数据进行分类。在训练提取数据的程序中，我们采用了 OpenCV 库处理视频文件流，以获取关键点信息。OpenCV 通过 mediapipe Pose 模型来实现对人体关键点检测，以获取准确的人体动作数据。在进一步分析和处理关键点信息时，我们采用了计算两个关键点之间的距离、计算夹角、及关键动作的时间间隔等方法，以提取更高维度的信息，形成一个完整的特征向量，便于后续的训练和分类。这些技术方法基于机器学习、计算机视觉和相关领域知识，借助了现代的算法和框架，非常有效地解决了人体动作识别领域的许多问题，特别是对于人体姿势变化细节的表达和识别，其精准度也得到了显著提高。我们有理由相信，这些技术方法可以应用于更广泛的视频、健康、娱乐等领域，促进人类智能和科技的发展。