[發(fā)明專利]一種基于可變時(shí)序的人體行為識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110640902.1
• 申請(qǐng)日: 2021-06-09
• 公開（公告）號(hào): CN113361417A
• 公開（公告）日: 2021-09-07
• 發(fā)明（設(shè)計(jì)）人: 張鵬超;徐鵬飛;劉亞恒;張智軍
• 申請(qǐng)（專利權(quán)）人: 陜西理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都方圓聿聯(lián)專利代理事務(wù)所(普通合伙) 51241
• 代理人: 李鵬

1.一種基于可變時(shí)序的人體行為識(shí)別方法，其特征在于，包括以下步驟：

步驟1，對(duì)輸入視頻進(jìn)行預(yù)處理操作；

步驟2，搭建網(wǎng)絡(luò)模型SED3DNet；

步驟3，選擇合適的損失函數(shù)、優(yōu)化器；

步驟4，訓(xùn)練網(wǎng)絡(luò)模型，過程如下所示：

步驟4.1，采用Kaiming init的方式初始化參數(shù)；

步驟4.2，學(xué)習(xí)率為0.001，batch_size為16；

步驟4.3，進(jìn)行損失計(jì)算，并利用反向傳播機(jī)制對(duì)權(quán)重進(jìn)行更新；

步驟4.4，訓(xùn)練130個(gè)epochs；

步驟4.5，結(jié)束訓(xùn)練；

步驟5，進(jìn)行測(cè)試，驗(yàn)證SER3DNet網(wǎng)絡(luò)的有效性。

2.根據(jù)權(quán)利要求1所述的一種基于可變時(shí)序的人體行為識(shí)別方法，其特征在于：步驟1預(yù)處理具體子步驟如下：

a:由于視頻幀存在大量冗余信息，無(wú)法獲取視頻全局特征信息，故本發(fā)明采用二次采樣的策略對(duì)視頻數(shù)據(jù)集進(jìn)行采樣，以提高行為識(shí)別的準(zhǔn)確率；首先，按照一定的采樣率f(f＝4)進(jìn)行視頻采樣，獲得每個(gè)視頻對(duì)應(yīng)圖像數(shù)據(jù)集D；然后采用二次采樣算法從圖像數(shù)據(jù)集D中均勻采集16幀，形成數(shù)據(jù)集G；

b:采用隨機(jī)抖動(dòng)、水平翻轉(zhuǎn)以及中心裁剪等方法對(duì)數(shù)據(jù)集G進(jìn)行數(shù)據(jù)增強(qiáng)，并按照8:2的比例對(duì)數(shù)據(jù)集G進(jìn)行訓(xùn)練集和測(cè)試集的劃分，以備網(wǎng)絡(luò)模型的訓(xùn)練與測(cè)試。

3.根據(jù)權(quán)利要求1所述的一種基于可變時(shí)序的人體行為識(shí)別方法，其特征在于：所述網(wǎng)絡(luò)模型SER3Dnet，共18層，6個(gè)block。

4.根據(jù)權(quán)利要求1所述的一種基于可變時(shí)序的人體行為識(shí)別方法，其特征在于：在步驟3中，采用了交叉熵與正則化L2之和作為網(wǎng)絡(luò)模型的損失函數(shù)：

F＝H(P,Q)+L2

其中，交叉熵?fù)p失函數(shù)H(P,Q)＝-P(x)log(Q(x))，主要用于表示真實(shí)概率分布P(x)和預(yù)測(cè)概率分布Q(x)之間的差異性，值越小則表示預(yù)測(cè)的結(jié)果越好；

L2正則化可以有效地防止網(wǎng)絡(luò)在訓(xùn)練時(shí)的過擬合現(xiàn)象，表達(dá)式為其中，λ為懲罰因子，n為權(quán)重w的個(gè)數(shù)。