基于人體關(guān)節(jié)點的多人吸煙動作識別算法

劉 婧，楊 旭，劉董經(jīng)典，牛 強，2

1.中國礦業(yè)大學 計算機科學與技術(shù)學院，江蘇 徐州221116

2.中國礦業(yè)大學 教育部礦山數(shù)字化工程研究中心，江蘇 徐州221116

醫(yī)學研究表明，吸煙已是造成肺癌、慢性肺病和冠心病等疾病重要因素，世界衛(wèi)生組織的國際癌癥研究機構(gòu)已將煙草列入致癌物清單。吸煙不僅危害自身的健康，對于吸入二手煙的人群也會造成更大的健康損害。在通風不良的公共場所，如公共汽車和商場的休息區(qū)，被迫吸二手煙的情況尤其嚴重。此外，因吸煙引起火災而造成的重大財產(chǎn)損失和人員傷亡的事故屢見不鮮。鑒于吸煙的諸多危害，許多國家已明令禁止在公共場所吸煙，因此出現(xiàn)了各種煙霧探測器。基于傳感器的煙霧檢測是目前使用最廣泛的檢測方法。但煙霧傳感器的檢測準確率受到距離限制，當房屋空間較大時，無法及時有效地檢測吸煙行為。也有研究人員提出使用Wi-Fi設備進行吸煙識別。Wi-Fi識別的有效性受設備穩(wěn)定性影響，需要多個無線信號接收器一起工作以確保識別精度。在實際情況下，很難確保一定范圍內(nèi)有多個無線設備?；赪i-Fi 的動作識別還易受環(huán)境噪聲的影響，因此在多人環(huán)境中識別精度較低。現(xiàn)有的基于圖像的吸煙行為識別的工作中，是通過膚色檢測方法對頭部和手部進行分割的方法進行識別。因光線條件的影響，通過膚色區(qū)分人體的方法錯誤率較高。針對公共場所的吸煙檢測問題，文中提出了一種在多人環(huán)境下基于人體關(guān)節(jié)點的周期性動作檢測的吸煙動作識別方法。首先進行多人姿勢估計并提取人體關(guān)節(jié)點信息。然后，利用關(guān)節(jié)點信息跟蹤圖像中的每個人。通過大量實驗分析吸煙行為的周期性特征，并制定了吸煙行為規(guī)則。最后，通過檢測周期性行為來檢測吸煙行為。當系統(tǒng)識別出吸煙行為時，發(fā)出警報并標記吸煙者。在實際場景中進行了系統(tǒng)性能測試，結(jié)果表明文中的方法可以在多人環(huán)境中保持較高的準確性。本文的主要貢獻如下：

（1）分析吸煙動作，制定吸煙動作規(guī)范，進行周期性動作檢測，通過檢測到多次周期性動作后，判斷是否存在吸煙行為。

（2）首次在公共場景中對多人同時進行吸煙動作的識別。

（3）進行大量的實驗，研究整個吸煙的過程中關(guān)于時間和動作軌跡的規(guī)律性，通過對比實驗設定更加有效的參數(shù)，規(guī)范吸煙的動作。

1 相關(guān)工作

如今，動作識別有多種方式[1-2]（例如基于人體骨骼[3-5]）。基于深度學習的視頻動作識別，通過分別訓練時間模型與空間模型來模擬時間動態(tài)與外觀特征。時間網(wǎng)絡與空間網(wǎng)絡融合后，預測的結(jié)果通過SoftMax層輸出。早先提出的卷積神經(jīng)網(wǎng)絡的方法專注于端到端重建[6-9]。研究人員不斷提出新的深度學習方法，Tran等人[10]提出了一種使用時空特征訓練三維卷積網(wǎng)絡的特征學習方法。 Hou 等人[11]提出了一種稱為Tube Convolutional Neural Network 的端對端深度網(wǎng)絡，用于視頻中的動作檢測。文獻[12]提出了分解式的時空卷積網(wǎng)絡，也有研究人員使用具有長期時間卷積的神經(jīng)網(wǎng)絡來學習視頻表示[13]。Mahajan等人[14]提出了一項關(guān)于遷移學習的研究，該遷移學習使用大型卷積網(wǎng)絡進行訓練，可以預測數(shù)十億社交媒體圖像上的主題標簽。基于骨骼的動作識別方法需要準確地識別關(guān)節(jié)點信息[15]。在不斷更新的卷積神經(jīng)網(wǎng)絡[16-17]之下，人的姿態(tài)估計精度得到了極大的提高。最近的研究工作使用遞歸神經(jīng)網(wǎng)絡，在這些方法中，都強調(diào)了在人體[18-19]中建模的重要性。

現(xiàn)有的吸煙動作識別方法大多使用深度學習，由于整個吸煙動作歷時較長，在實驗中發(fā)現(xiàn)用時間卷積來提取特征并沒有很好的效果。現(xiàn)實場景中的應用也會涉及到多人、遮擋等問題。基于深度學習的圖像識別方法在多人的情況下存在計算量較大、實時性差等問題。同時還需要對大量數(shù)據(jù)進行訓練來提高識別的準確率。且現(xiàn)存的吸煙動作識別，多是在某個特定的場景應用，如對駕駛艙的司機進行單人正面檢測。在多人群密集的公共場所并沒有實際應用。由此，本文提出了一種在多人場景中基于人體關(guān)節(jié)點的周期性動作檢測識別吸煙動作的方法。

2 方法設計

以前多數(shù)的吸煙動作識別研究僅針對一個人，多人動作識別的實時性較差。文中主要關(guān)注多人環(huán)境中的吸煙行為識別。通過對現(xiàn)有的姿態(tài)估計算法[20-21]研究，實驗中使用自下而上的人體姿態(tài)估計算法[22]進行多人環(huán)境中的實時姿態(tài)估計，對多人動作進行周期性檢測實現(xiàn)吸煙動作識別。與之前深度學習的方法不同，文中提出的方法無需大量的訓練數(shù)據(jù)集，識別精度仍然穩(wěn)定。如圖1是本文的結(jié)構(gòu)流程圖。

圖1 吸煙動作識別系統(tǒng)

2.1 多人姿態(tài)估計

在自上而下的人體姿態(tài)估計工作中，關(guān)注整個人體骨架，對圖像中每個被檢測到的人進行單獨的姿態(tài)估計。在某些場景中遇到遮擋等問題時，因無法完全檢測到某些人導致無法估計其姿態(tài)。本文改進文獻[23-24]提出的方法，通過關(guān)節(jié)點組成肢體，肢體匹配后形成個人姿態(tài)。

首先需要在置信圖中提取關(guān)節(jié)點。在一個置信圖中，像素的值可以表示關(guān)節(jié)點的置信度。關(guān)節(jié)點的實際位置是高斯熱圖（Heatmap）關(guān)節(jié)點的峰值，通過非最大值抑制（Non-Maximum Suppression，NMS）的方法來計算關(guān)節(jié)點的像素峰值。置信圖中k人肢體j定義為Sj,k，其中P表示在圖中位置P，δ控制峰值擴散，Xj,k表示k人的肢體j的實際位置。Sj,k的具體定義如下：

找到每個關(guān)節(jié)點熱圖的所有峰值后，選取所有候選峰值中最大的峰值作為關(guān)節(jié)點信息。Sj表示最終被選取最大峰值的關(guān)節(jié)點信息：

產(chǎn)生的18個關(guān)節(jié)點與人體的對應關(guān)系如圖2所示。

圖2 人體18個關(guān)節(jié)點

然后對產(chǎn)生多個關(guān)節(jié)點進行肢體配對，匹配時存在大量的組合。為了正確進行關(guān)節(jié)點配對，使用部分親和度場（Part Affinity Fields，PAF）的方法來組合肢體。PAF 是每個身體部位的2D 矢量場，對于屬于特定肢體區(qū)域中的每個像素，2D 矢量編碼從肢體的一部分指向另一個部分的方向。因此每個類型的肢體都具有連接其兩個關(guān)節(jié)點相應的PAF，使用PAF 的方法，需要假設兩個關(guān)節(jié)點可能屬于在同一個肢體上，通過測量肢體相應的PAF上的線積分對候選的關(guān)節(jié)點進行評判，確定關(guān)節(jié)點是否屬于這個肢體。如圖3所示，黃色圓圈表示檢測到的右肩膀關(guān)節(jié)點，紫色表示要進行匹配的兩個候選右手肘關(guān)節(jié)點，藍色的箭頭表示PAF 的方向，右肩膀與右手肘1存在PAF進行匹配。

圖3 關(guān)節(jié)點之間的親和度場

最后形成人體姿勢時，可以將人的肢體看作是一棵樹，使用所有樹節(jié)點表示關(guān)節(jié)點，所有枝干都代表肢體。選擇最小數(shù)量的邊來獲得人體姿態(tài)的生成樹。使用二分匹配的方法解決匹配問題，為了解決匹配中的NP 問題，可以將一個三關(guān)節(jié)點的匹配問題轉(zhuǎn)化為兩個雙節(jié)點的匹配問題，如圖4所示。最后將共享相同關(guān)節(jié)點的候選肢體組裝成人體的全身骨架，由此就能實時獲取人體姿態(tài)信息。

圖4 肢體匹配問題

2.2 多人追蹤

由于使用自下向上的姿態(tài)估計算法，無法實時追蹤個人的運動軌跡。文中利用采集到第一幀的關(guān)節(jié)點信息，對每個人生成一個邊界框，對應每個人會儲存不同的ID。采集邊界框中的人體特征并在下一幀進行特征匹配進而實現(xiàn)對每個人進行追蹤。

在設計算法時未設定關(guān)于邊界框的寬、高和位置的參數(shù)，而通過關(guān)節(jié)點信息決定邊界框的位置與寬高。在進行軌跡分析時，對于每條軌跡k都有一個閾值a用于記錄軌跡從上一次成功匹配到當前時刻的時間。當該值大于提前設置的閾值Amax則認為該軌跡終止，此時匹配也就終止。在進行人體骨架與軌跡追蹤時，考慮到環(huán)境中可能存在遮擋的問題[25]使用使用余弦距離進行外觀匹配，對于遮擋后的追蹤更加有效。通過計算第i個軌跡追蹤器的最近100 個成功關(guān)聯(lián)的特征集與當前幀的第j個人的特征向量間的最小余弦距離：

d(i,j)是第j人的第i個軌跡邊界框，Ri表示第i個軌跡的100個特征集，rj表示邊界框dj特征。將邊界框中的表觀特征通過一個深度網(wǎng)絡得到歸一化的128 維特征。在實時目標追蹤過程中，提取目標的表觀特征進行最近鄰匹配，可以改善有遮擋情況下的目標追蹤效果，同時也減少了目標ID跳變的問題。

2.3 周期性動作識別

為了更好地進行吸煙動作識別，本研究對一次吸煙過程做了分析，具體如下：（1）點燃煙后用手指夾持準備吸煙，此時手部逐漸貼近臉部；（2）吸入煙霧，在一段時間內(nèi)手指夾持煙，手部與臉部的距離基本保持不變（最近距離）；（3）吸入煙霧后，手部與臉部逐漸遠離；（4）呼出煙霧，在一段時間內(nèi)手指夾持煙，手部與臉部的距離基本保持不變（最遠距離）。每次吸煙如同以上步驟。一次吸煙動作的分解如圖5所示，吸煙是一種具有節(jié)奏性和周期性的行為。雖然不同的吸煙人群的吸煙習慣不同，但在觀察分析后發(fā)現(xiàn)不同吸煙者的吸煙動作都符合周期性的規(guī)律。對于一部分吸煙者習慣吸“肺煙”（即將煙霧吸入到肺部后再呼出），他們的吸煙頻率相對較低，吸肺煙人群的一次吸煙的周期較長。也有部分吸煙者習慣將煙霧吸入口腔就呼出，這樣的單次吸煙周期比較短。因此，本文提出一種通過檢測一段時間內(nèi)特定周期性動作發(fā)生的方法來進行吸煙動作識別。當系統(tǒng)識別到吸煙動作后，可以發(fā)出報警并標注吸煙者。同樣利用吸煙的規(guī)律性來減小誤報率。

圖5 吸煙過程

根據(jù)追蹤后的ID將多人實時關(guān)節(jié)點信息存儲。為了判斷檢測到的動作是否符合規(guī)定的吸煙動作，本文將動作軌跡的追蹤轉(zhuǎn)化成手部與鼻子之間距離（即手部關(guān)節(jié)點與鼻子關(guān)節(jié)點的距離，后同）軌跡的追蹤?？紤]到吸煙者的慣用手不同，故并行判斷左（右）手關(guān)節(jié)點與鼻子關(guān)節(jié)點的位置關(guān)系。

通過對大量實驗數(shù)據(jù)的分析，設定手將煙遞至嘴邊時手部與鼻子最大距離的閾值M=28。本文做了坐標歸一化的處理，使M的設定不受人與攝像頭距離遠近影響。若檢測到某人手部與鼻子的距離小于等于M時，對此人進行吸煙動作識別。本文設定檢測單次吸煙的周期時長為σ=15 s，當檢測到一個周期時長大于σ將不再進行下一次的檢測。對一人的周期性動作檢測進行吸煙識別具體實現(xiàn)如下：用D表示手與鼻子的距離、P表示一次周期性檢測的用時，i表示第i次檢測。某時刻手與鼻子的距離D小于M，對此人進行周期性動作檢測。Pi開始計時，持續(xù)觀察距離D，當D開始增加，并且之后連續(xù)幾幀持續(xù)增加，直到不再增加時，記手部與鼻子的最遠距離di；繼續(xù)觀察，在某時刻D變小且其后連續(xù)每幀也持續(xù)減小，當D減小到閾值M范圍內(nèi)則第一次周期檢測結(jié)束，Pi停止計時。Pi小于σ繼續(xù)進行下一次周期性動作檢測。周期性動作檢測的具體流程偽代碼在算法1中給出。

一次吸煙過程中，時間T和手部與鼻子的距離D變化呈現(xiàn)：隨時間呈先增大，再基本不變，最后減小的趨勢。變化趨勢的曲線與二次函數(shù)相似。在這個過程中選取k個點，在每個點分別記錄其Tk、Dk。用最小二乘法對其進行擬合，得到關(guān)于時間與距離的擬合二次函數(shù)：

分別是擬合后的距離與時間，μ、λ、θ均為常數(shù)。根據(jù)二次函數(shù)可以求出一個呼出煙霧后手離鼻子最大距離的區(qū)間：

考慮到在整個吸煙過程中距離的浮動幾乎保持穩(wěn)定，故此后的每一個周期中最大距離都應處于距離區(qū)間公式（5）中。周期性檢測中若檢測到di處在區(qū)間內(nèi)，Pi同時滿足：

就認為檢測到周期性動作一次。當檢測到有三次符合規(guī)定的周期性動作，判斷發(fā)生吸煙動作，并發(fā)出警報。因關(guān)節(jié)點的信息是按照每個人不同ID 儲存，故多人的吸煙動作識別可以同時進行。

3 實驗分析

3.1 實驗設計

實驗中使用了第七代英特爾酷睿i7-7700，GTX1050Ti獨立顯存，128 GB+1 TB 雙硬盤，8 GB 內(nèi)存的筆記本電腦作為實驗設備，在教學樓的實驗室內(nèi)和樓道內(nèi)，使用筆記本自帶的攝像頭進行多人吸煙動作識別進行實驗。如圖6（a）是在實驗室內(nèi)8人的吸煙動作識別的實景演示，圖6（b）是在樓道內(nèi)4 人的吸煙動作識別的實景演示。每個被檢測到姿態(tài)的人可以顯示其ID以及其吸煙動作發(fā)生的次數(shù)。當檢測到有3次吸煙動作發(fā)出吸煙警報。

圖6 吸煙動作識別系統(tǒng)

算法1 檢測周期性動作

輸入：檢測次數(shù)i，手與鼻子的距離D，每次檢測耗時Pi，每次檢測到手與鼻子的最遠距離di，閾值M，吸煙時長σ；

輸出：被檢測到的動作有幾次滿足周期性動作。

1. 初始化i，Pi，di為0；

2. ifD≤Mthen

3. for檢測次數(shù)do

4.Pi開始計時；

5. if連續(xù)3幀D增大then

6. 找到第K幀的D≤第K-1 幀的D；

7. 記di等于第K-1 幀的D；

8. end if

9. if連續(xù)3幀D減小then

10. 當D≤M時Pi停止計時；

11. end if

12. ifPi＞σthen

13. 結(jié)束循環(huán)；

14. else

15. 記檢測到的動作滿足一次周期性動作；

16.i=i+1；

17. end if

18. end for

19. 輸出檢測到周期性動作的次數(shù)

3.2 數(shù)據(jù)預處理

在進行動作識別時，將視頻轉(zhuǎn)換為連續(xù)幀的圖像。進行姿勢估計之前，需要調(diào)整圖像的大小。對不同人數(shù)的圖像進行實驗分析。根據(jù)圖像中的人數(shù)進行分組，每組包含50個圖像。將參數(shù)的初始值設置為576×416，使用不同的參數(shù)分別進行對比實驗。實驗發(fā)現(xiàn)在人數(shù)越多的情況下，為了獲取更精確的關(guān)節(jié)點信息需要增加Resize 的值，但這樣也帶來了處理時間變長的問題，如表1所示。測試平均準確率，對不同Resize做了對比實驗，結(jié)果如圖7 所示。為均衡計算時間與平均精確度，本文設定Resize參數(shù)為432×368。

表1 不同Resize對一張圖片進行姿態(tài)預測的時間s

圖7 不同Resize值下的準確率

3.3 閾值分析

為確定吸入煙霧時手與鼻子之間的距離范圍的閾值M，實驗中模擬公共場所拍攝了500 張多人吸煙的照片。提取所有吸煙者的手關(guān)節(jié)和鼻關(guān)節(jié)的位置信息并計算每個人吸煙時手和鼻子之間的距離。實驗結(jié)果表明，雖然吸煙者具有不同的吸煙姿勢，但不同的吸煙時手和鼻子之間的距離始終保持在一定范圍內(nèi)。在進行姿態(tài)估計算法中使用歸一化，人與攝像頭的距離與方向都不會影響手與鼻子之間的相對距離。如圖8所示，距離在20 mm左右的人數(shù)最多，絕大多數(shù)人在28 mm以內(nèi)。實驗中將閾值M初始設置為26 mm，使用電影中300個吸煙場景作為測試數(shù)據(jù)。結(jié)果顯示，測試數(shù)據(jù)手與鼻子的距離97%可以落入M的范圍內(nèi)。再將閾值設置更改為28 mm 測試中有99.5%可以落在M的范圍內(nèi)。根據(jù)對實驗結(jié)果的分析，最終設定M=28 mm。當檢測到人的手和鼻子之間的距離小于M時就對該人進行周期性動作檢測。

實驗中驗證了吸煙行為可以分解為周期性動作。本文將整個吸煙過程的軌跡轉(zhuǎn)換為手和鼻距離的軌跡。在實驗中，比較了吸煙者和非吸煙者的關(guān)節(jié)點的距離軌跡信息。如圖9 所示，與非吸煙者的距離軌跡相比，吸煙者的距離軌跡表現(xiàn)出周期性的波動。在吸煙者的軌跡圖中，波谷表明吸入煙霧的狀態(tài)。波谷附近的距離有輕微的漂浮，是因為吸入煙霧的過程需要持續(xù)一段時間。圖中的峰值表示呼出煙霧手遠離頭部，此過程也會持續(xù)幾秒鐘，是吸煙者呼出煙霧到下一次吸入煙霧的間隔。

圖8 吸煙時手與鼻子的距離

圖9 吸煙者與非吸煙者對比

如圖10所示，圖中有3條閾值線。在波峰處的2條閾值線是為了衡量之后的運動是否符合周期，若第一次后的波峰落在Dmax與Dmin之間就認為此次滿足周期性。每周期內(nèi)軌跡曲線只有在波峰和波谷均處均處于閾值范圍內(nèi)，且時間也符合周期性，則被認為是一次的規(guī)律性動作，即發(fā)生了一次吸煙動作。滿足3次周期性動作，判斷發(fā)生吸煙行為。實驗中對4人吸煙動作軌跡進行提取。如圖11 所示，從識別到第一個人吸煙開始計時，多人從不同的時間段開始吸煙，當檢測到有人做出3次吸煙動作后標記吸煙者并發(fā)出警報。

圖10 單人吸煙動作周期性判斷

圖11 4人吸煙

3.4 準確率分析

表2 不同算法運算時間與準確率對比

實驗中，對使用不同的姿態(tài)估計模型[16，22]實現(xiàn)吸煙動作識別的算法運算時間和準確率進行分析。對于每種算法，使用相同的圖像進行姿態(tài)估計，記錄對每張圖片的多人姿態(tài)估計算法運算時間，重復1 000 次后取平均值。再使用不同姿態(tài)估計算法進行吸煙動作識別的準確率對比，實驗結(jié)果如表2所示。吸煙動作識別受到關(guān)節(jié)點采集（姿態(tài)估計）的實時性影響，文中最終選取算法1作為姿態(tài)估計算法。

通過調(diào)查相關(guān)資料，一般常人單次呼吸時間為1.3～2.2 s，每次呼吸之間存在間隔期，大約為1～2 s，故單次呼吸周期時間為2～5 s。吸煙的歷時與呼吸時長相關(guān)，一次吸煙動作的周期包括吸入煙霧的時間與間隔期，見圖12。不同吸煙習慣的吸煙周期時長不同，部分吸煙者習慣將煙霧吸入到口腔就呼出，此時一次吸煙周期時長大致為3～6 s；部分吸煙者習慣吸肺煙（即將煙霧吸入到肺部在呼出），吸肺煙的一次過程相當于進行了一次深呼吸，一次深呼吸的時間大致在9 s左右，吸肺煙的一次吸煙周期時長大致為6～12 s。為驗證吸煙周期時長，實驗通過觀測100組有吸煙動作的視頻，計算每次吸煙的時間，時間大致分布在3～12 s之間。之后進行了其他類似的周期性行為（如吃零食）單次動作間隔時間的實驗，實驗發(fā)現(xiàn)每次吃東西時咀嚼的時間比吸入煙霧歷時更長。因此為區(qū)別于其他周期性行為，在進行關(guān)于吸煙周期時間σ的準確率的實驗后，如圖13，將單次吸煙周期時間σ設置為15 s。當單次周期性行為大于15 s 時，不會再進行吸煙動作的檢測。

圖12 吸煙周期

圖13 σ 取值對準確率的影響

經(jīng)過坐標歸一化處理，對攝像頭面向人的不同角度，進行了多組不同人數(shù)的正面和側(cè)面吸煙運動檢測實驗。實驗結(jié)果證明相機的放置不會影響動作識別的準確性,如圖14所示。

圖14 正面與側(cè)面的多人識別精確度

本文進行了大量的實驗，測試系統(tǒng)識別的準確率。實驗中分別選取500 段電影中的吸煙片段，拍攝500 組實際場景吸煙視頻作為測試數(shù)據(jù)。對拍攝500 組實際吸煙場景的實驗結(jié)果分為4 種情況做吸煙動作識別精確度的判定：（1）TP，吸煙者吸煙，正確的檢測到吸煙者；（2）FP，沒有吸煙者吸煙，檢測到吸煙者；（3）FN，有吸煙者，沒有檢測到吸煙者；（4）TN，沒有吸煙者，沒有檢測到吸煙者。按照吸煙者的人數(shù)進行分組，分為2人、4 人、5 人、多人（大于5 人），分別實驗室內(nèi)與走廊不同環(huán)境下進行吸煙動作識別。準確率如圖15 所示，圖15（a）是在實驗室內(nèi)進行吸煙動作識別的準確率，圖15（b）是在走廊中進行吸煙動作識別的準確率。實驗證明在不同環(huán)境中，本文提出的吸煙動作識別方法的準確率都可以達到91%。

使用Hmdb51[26]數(shù)據(jù)集對深度學習模型[27]進行訓練，訓練的參數(shù)設置如下：最小批處理大小為32，學習率為0.001，迭代次數(shù)為2 500。測試數(shù)據(jù)集選取了100 個吸煙的視頻片段與100 個不吸煙的視頻片段進行對比實驗，分別測試了本文研究的方法與深度學習模型的準確率。本文提出的方法突破了之前只能對單人的吸煙動作識別實現(xiàn)了多個人實時吸煙行為識別。表3 是本文方法與深度學習方法準確率的比較。

圖15 多人吸煙動作識別準確率

表3 不同方法準確率對比%

4 結(jié)論

與以往特定場景的單人吸煙動作識別不同，本文提出了一種在多人場景中基于人體關(guān)節(jié)點檢測周期性動作的吸煙動作識別方法。通過實驗數(shù)據(jù)制定吸煙動作規(guī)范，進行周期性動作檢測后實現(xiàn)了吸煙動作識別，檢測到吸煙行為后標記吸煙者。相比深度學習方法，本文的方法無需大量數(shù)據(jù)集進行訓練，在不同環(huán)境下對于多個人的吸煙動作識別仍能保持良好的準確率。