結(jié)合RGB-D視頻和卷積神經(jīng)網(wǎng)絡(luò)的行為識(shí)別算法*

李元祥 謝林柏

（江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院物聯(lián)網(wǎng)應(yīng)用技術(shù)教育部工程中心 無(wú)錫 214122）

1 引言

近年來(lái)，人體行為識(shí)別被廣泛應(yīng)用于人機(jī)交互、視頻檢索和視頻監(jiān)控等日常生活場(chǎng)景中，利用人體行為識(shí)別算法可以有效自動(dòng)地提取視頻數(shù)據(jù)中高層語(yǔ)義，從而大大降低人力成本。目前，基于傳統(tǒng)RGB相機(jī)的人體行為識(shí)別算法對(duì)環(huán)境要求較為苛刻，如光照、對(duì)象遮擋等因素。隨著3D體感傳感器的推出，如微軟的Kinect，許多研究者開始利用Kinect提供的多源信息，如深度圖序列、骨骼位置信息，降低環(huán)境因素對(duì)行為識(shí)別算法的影響，提高算法的魯棒性。

目前，傳統(tǒng)的行為識(shí)別算法主要集中對(duì)RGB視頻序列的處理，包括分類器或特征提取算法的設(shè)計(jì)，如Laptev等［1］提出使用哈里斯角點(diǎn)檢測(cè)器在時(shí)空3D空間檢測(cè)興趣點(diǎn)，取得了一定的識(shí)別效果。隨著低成本Kinect深度傳感器的推出，許多研究者開始嘗試?yán)蒙疃葦?shù)據(jù)或骨骼位置數(shù)據(jù)解決人體行為識(shí)別遇到的挑戰(zhàn)，Bulbul［2］等通過(guò)DMM計(jì)算輪廓梯度方向直方圖特征（CT-HOG）、局部二值模式特征（LBP）和邊緣方向直方圖特征（EOH），并利用分類器KELM進(jìn)行分類識(shí)別，一定程度上降低光照變化和物體遮擋等不利環(huán)境因素的影響。

隨著卷積神經(jīng)網(wǎng)絡(luò)在圖像領(lǐng)域取得了巨大的成功，受此鼓舞，研究者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到行為識(shí)別領(lǐng)域并取得了顯著的效果。Tomas［3］等利用二維卷積神經(jīng)網(wǎng)絡(luò)和堆疊編碼器（SAE）分別學(xué)習(xí)RGB視頻序列和骨骼位置信息序列的高層語(yǔ)義，其中RGB視頻序列被預(yù)處理為運(yùn)動(dòng)歷史圖像序列（MHI）以提取其長(zhǎng)時(shí)域運(yùn)動(dòng)信息。宋立飛［4］等在經(jīng)典雙流網(wǎng)絡(luò)結(jié)構(gòu)上，利用2D殘差網(wǎng)絡(luò)和多尺度輸入3D卷積融合網(wǎng)絡(luò)提取視頻的時(shí)空維度信息，并決策融合兩路神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)分?jǐn)?shù)。

行為識(shí)別與靜態(tài)圖像識(shí)別最主要的區(qū)別是視頻序列包含行為的時(shí)域信息，因此人體行為識(shí)別難點(diǎn)之一就是如何從復(fù)雜場(chǎng)景的視頻序列中，有效提取動(dòng)作行為的時(shí)域信息。Hochreiter［5］等在傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)（RNN）進(jìn)行改進(jìn)，提出了長(zhǎng)短期記憶遞歸神經(jīng)網(wǎng)絡(luò)（LSTM），能夠有效提取視頻序列的時(shí)域特征。Imran［6］等利用RGB視頻序列與深度圖序列分別計(jì)算MHI和DMM，并輸入到多路獨(dú)立的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，最后分別比較了均值法和乘積法這兩種決策融合策略的識(shí)別效果。

本文主要貢獻(xiàn)為以下三個(gè)方面：

1）為了提取RGB視頻序列中靜態(tài)表觀與短時(shí)域運(yùn)動(dòng)信息，以及深度圖序列中長(zhǎng)時(shí)域運(yùn)動(dòng)信息，提出了一種結(jié)合RGB-D視頻序列和卷積神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別算法。

2）在深度圖序列中，通過(guò)引入表示能量大小的權(quán)值變量，對(duì)不同深度圖進(jìn)行加權(quán)，從而保留視頻序列中更多的細(xì)節(jié)信息。

3）為了有效融合多路卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)分?jǐn)?shù)，基于常用的決策融合方法，提出一種改進(jìn)的加權(quán)乘積融合策略，實(shí)現(xiàn)端到端的行為識(shí)別算法。

2 數(shù)據(jù)預(yù)處理

卷積神經(jīng)網(wǎng)絡(luò)在靜態(tài)圖像識(shí)別任務(wù)中，表現(xiàn)出遠(yuǎn)超人工設(shè)計(jì)的特征提取算法識(shí)別效果，但在行為識(shí)別任務(wù)中一直較難取得顯著的效果，其中一個(gè)主要原因就是用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的行為數(shù)據(jù)集偏小，使得網(wǎng)絡(luò)模型參數(shù)很難達(dá)到最優(yōu)，且在訓(xùn)練過(guò)程中網(wǎng)絡(luò)模型易出現(xiàn)過(guò)擬合。為了解決該問(wèn)題，首先，使用預(yù)訓(xùn)練網(wǎng)絡(luò)模型初始化神經(jīng)網(wǎng)絡(luò)參數(shù)。其次，針對(duì)于深度圖序列，除了采用常規(guī)的尺度變換和裁剪翻轉(zhuǎn)等手段，同時(shí)利用仿射變換［7］模擬數(shù)據(jù)集在相機(jī)視角變化的情況，從而進(jìn)一步擴(kuò)大數(shù)據(jù)樣本量。為了保留視頻的更多細(xì)節(jié)信息，在將深度圖序列壓縮到一幀DMM圖像時(shí)，引入表示能量大小的權(quán)值變量，同時(shí)將改進(jìn)的深度運(yùn)動(dòng)圖進(jìn)行彩虹編碼［8］處理。

2.1 相機(jī)視角擴(kuò)增

為了擴(kuò)大數(shù)據(jù)樣本量，可以利用仿射變換得到不同相機(jī)視角下的深度圖像，如圖1所示。假設(shè)Kinect相機(jī)從P O位置移到P d位置，此過(guò)程可以分為以下兩步：首先，從位置P O繞y軸旋轉(zhuǎn)θ角度到位置Pt，然后再由位置Pt繞x軸旋轉(zhuǎn)β角度到P d。

圖1 相機(jī)視角變化

設(shè)點(diǎn)(X，Y，Z)為P O的位置坐標(biāo)，則P d位置坐標(biāo)(X1，Y1，Z1)可以由下式得到：

其中T r y和T r x分別表示位置P O到位置P t、位置Pt到P d的的變換矩陣，可表示為

其中R y(θ)，R x(β)，T y(θ)，T x(β)為

2.2 速度擴(kuò)增

為了模擬出同一個(gè)動(dòng)作序列下不同實(shí)驗(yàn)者執(zhí)行效果，需要對(duì)給定的動(dòng)作序列以不同采樣間隔進(jìn)行下采樣，其計(jì)算公式如下：

圖2 下采樣示意圖

2.3 改進(jìn)的深度運(yùn)動(dòng)圖

近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)在圖像分類、目標(biāo)檢測(cè)和人臉識(shí)別等計(jì)算機(jī)視覺領(lǐng)域都表現(xiàn)出卓越的性能。本文利用二維卷積神經(jīng)網(wǎng)絡(luò)善于處理靜態(tài)圖片分類與識(shí)別的特點(diǎn)，嘗試將深度圖視頻序列分別投影到三個(gè)正交平面（正平面、側(cè)平面和頂平面）上，然后在每個(gè)投影平面上將深度圖序列處理為一幀深度運(yùn)動(dòng)圖像。

為了克服動(dòng)作速度和幅度對(duì)動(dòng)作識(shí)別的影響，在將深度圖序列壓縮到一幀DMM時(shí)，引入表示能量大小的權(quán)值變量來(lái)保留深度圖序列更多的細(xì)節(jié)信息。在速度擴(kuò)增中，不同的采樣間隔能夠得到對(duì)應(yīng)不同時(shí)間尺度的采樣序列。表示在采樣間隔為l的下采樣序列中，累計(jì)計(jì)算到第i幀的深度運(yùn)動(dòng)圖，其中ε(i)v∈{f，s，t}表示第i幀的能量，表示第i幀深度圖投影到正平面、側(cè)平面和頂平面得到的投影圖像。

其中ξ為設(shè)定的閾值，sum(.)為計(jì)算二值圖中非零的個(gè)數(shù)。

圖3 “right hand draw circle（counter clockwise）”動(dòng)作在不同模擬速度下DMM圖像

3 多路卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

為了提取RGB視頻序列中靜態(tài)表觀、短時(shí)域運(yùn)動(dòng)信息和深度圖序列中長(zhǎng)時(shí)域運(yùn)動(dòng)信息，本文提出了一種結(jié)合ResNet（2+1）D［9］和GoogLeNet InceptionV2（BN-Inception）［10］的多路端到端卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。四路網(wǎng)絡(luò)結(jié)構(gòu)相互獨(dú)立訓(xùn)練，其中三路BN-Inception網(wǎng)絡(luò)參數(shù)共享，分別用于訓(xùn)練DM M f，DM M s，D MM t數(shù)據(jù)。為了避免直接融合神經(jīng)網(wǎng)絡(luò)高層特征帶來(lái)的特征維度高、計(jì)算復(fù)雜等問(wèn)題，采用后期分?jǐn)?shù)融合方式計(jì)算最終行為視頻序列的預(yù)測(cè)分?jǐn)?shù)。

3.1 ResNet（2+1）D網(wǎng)絡(luò)層

對(duì)于給定一段RGB視頻序列V，在提取視頻序列短時(shí)域運(yùn)動(dòng)信息時(shí)，首先將動(dòng)作視頻可重疊地分割為K個(gè)子序列片段{ }T1，T2，...，T k，利 用ResNet（2+1）D對(duì)其訓(xùn)練，最后對(duì)K個(gè)子序列片段聚合得到視頻級(jí)的預(yù)測(cè)分?jǐn)?shù)，其過(guò)程描述如下：

其中R(T1，T2，...，T k)V表示視頻序列V最終的預(yù)測(cè)分?jǐn)?shù)，（T1，T2，...，T k)代表子序列片段，f(T k，W)函數(shù)表示基于模型參數(shù)W的ResNet（2+1）D網(wǎng)絡(luò)在子序列片段Ti輸入下得到的類別得分，g函數(shù)為采用均值法的聚合函數(shù)，以融合T1，T2，...，T k子序列片段的類別分?jǐn)?shù)。

圖4 多路卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

ResNet（2+1）D網(wǎng)絡(luò)是在3D ResNet［11］網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，將3D卷積分解為2D空間卷積和1D時(shí)間卷積。在與3D ResNet網(wǎng)絡(luò)保持相同參數(shù)量下，通過(guò)在2D空間卷積與1D時(shí)間卷積之間引入非線性激活函數(shù)ReLu，同時(shí)分別優(yōu)化2D空間卷積和1D時(shí)間卷積，使得ResNet（2+1）D的訓(xùn)練錯(cuò)誤率比3D ResNet更低。本文采用連續(xù)32幀圖像作為片段T i，并基于R（2+1）D結(jié)構(gòu)的ResNet-34網(wǎng)絡(luò)下訓(xùn)練子序列片段。

3.2 BN-Inception網(wǎng)絡(luò)層

對(duì)于一段給定的深度圖視頻序列，首先分別投影到正平面、側(cè)平面和頂平面，并根據(jù)不同的采樣間隔l，得到對(duì)應(yīng)的下采樣序列和。然后分別計(jì)算得到多個(gè)深度運(yùn)動(dòng)圖作為三路BN-Inception網(wǎng)絡(luò)的訓(xùn)練集。

GoogLeNet Inception V1［12］是Google在2014年提出一種22層網(wǎng)絡(luò)的深度學(xué)習(xí)架構(gòu)，通過(guò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)卷積層進(jìn)行修改，提出了Inception結(jié)構(gòu)用于增加網(wǎng)絡(luò)模型的深度和寬度，并在減小網(wǎng)絡(luò)參數(shù)數(shù)量的同時(shí)提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力。BN-Inception是在Inception V1基礎(chǔ)上進(jìn)行了改進(jìn)，一方面使用兩個(gè)3×3卷積代替Inception結(jié)構(gòu)的5×5卷積，另一方面增加了Batch Normalization層，進(jìn)一步降低網(wǎng)絡(luò)的參數(shù)數(shù)量，同時(shí)提高了網(wǎng)絡(luò)訓(xùn)練速度。

3.3 多分類器融合

對(duì)于多個(gè)獨(dú)立分類器融合（Multiple Classifier Fusion MCF）［13］，常分為有監(jiān)督分?jǐn)?shù)融合［14］和無(wú)監(jiān)督分?jǐn)?shù)融合。其中有監(jiān)督分?jǐn)?shù)融合是將每個(gè)分類器的輸出作為另一個(gè)分類器的輸入再次進(jìn)行訓(xùn)練，為了設(shè)計(jì)一個(gè)端到端的行為識(shí)別算法，本文基于無(wú)監(jiān)督分?jǐn)?shù)融合方式設(shè)計(jì)多分類器融合算法。

設(shè)V為卷積神經(jīng)網(wǎng)絡(luò)的輸入（子序列片段或深度運(yùn)動(dòng)圖），{ }1，2，...，c為設(shè)定數(shù)據(jù)集的類別標(biāo)簽，M為獨(dú)立分類器的數(shù)量，Pi，j(V)表示在第i個(gè)分類器下類別標(biāo)簽為j的預(yù)測(cè)分?jǐn)?shù)，則決策矩陣可表示為

目前常用的多分類器無(wú)監(jiān)督分?jǐn)?shù)融合有加權(quán)求和融合（weight sum rule）、乘積法（product rule）和投票法（majority voting）。

1）加權(quán)求和融合

對(duì)于一個(gè)測(cè)試深度圖序列V，首先利用求和法得到三路BN-Inception網(wǎng)絡(luò)的融合分?jǐn)?shù)B NV，然后使用不同的權(quán)值融合ResNet（2+1）D網(wǎng)絡(luò)和BN-Inception網(wǎng)絡(luò)的預(yù)測(cè)分?jǐn)?shù)，得到視頻序列V在多路卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)下的預(yù)測(cè)分?jǐn)?shù)scoreV：

2）乘積法

設(shè)類別標(biāo)簽j在M個(gè)分類器下得到的預(yù)測(cè)分?jǐn)?shù)矩陣DV(V)如下：

根據(jù)product rule，類別標(biāo)簽j的融合預(yù)測(cè)分?jǐn)?shù)如下：

3）投票法

對(duì)于視頻序列V，傳統(tǒng)投票法是分別統(tǒng)計(jì)各個(gè)分類器給出的類別標(biāo)簽，最后選擇類別標(biāo)簽重復(fù)次數(shù)最多的標(biāo)簽作為最終的分類結(jié)果，如果存在多個(gè)相同重復(fù)次數(shù)的標(biāo)簽，則會(huì)在相同次數(shù)標(biāo)簽中隨機(jī)選擇一個(gè)標(biāo)簽作為最終的分類結(jié)果。

基于多分類器融合方法中的均值法和乘積法，提出一種改進(jìn)的加權(quán)乘積融合法（weight product rule）。對(duì)于任意一個(gè)測(cè)試深度圖序列V，利用均值法求得三路BN-Inception網(wǎng)絡(luò)下類別標(biāo)簽為j的預(yù)測(cè)分?jǐn)?shù)：

其中M=3表示三路BN-Inception網(wǎng)絡(luò)對(duì)應(yīng)的softmax分類器，L表示時(shí)間尺度，(V)表示在第i路BN-Inception網(wǎng)絡(luò)對(duì)應(yīng)的softmax分類器下，時(shí)間尺度為k且類別標(biāo)簽為j的預(yù)測(cè)分?jǐn)?shù)，P(BN|V j)表示在三路BN-Inception網(wǎng)絡(luò)下，類別標(biāo)簽為j的均值融合分?jǐn)?shù)。

在多路卷積神經(jīng)網(wǎng)絡(luò)下，類別標(biāo)簽為j的乘積融合分?jǐn)?shù)如下：

其中P(R|V j)由式（7）計(jì)算得到的類別標(biāo)簽為j的分 數(shù)，w1，w2為 對(duì) 應(yīng) 的ResNet（2+1）D網(wǎng) 絡(luò) 和BN-Inception網(wǎng)絡(luò)的權(quán)值，最后測(cè)試視頻序列V的類別標(biāo)簽判定如下式所示：

其中ω*表示最終識(shí)別的類別標(biāo)簽，c為設(shè)定的類別標(biāo)簽。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 參數(shù)設(shè)置

在數(shù)據(jù)預(yù)處理中，時(shí)間尺度L設(shè)為5，即采樣間隔l取值分別為1，2，3，4，5。在三路BN-Inception網(wǎng)絡(luò)中，網(wǎng)絡(luò)模型采用基于動(dòng)量值為0.9的批處理隨機(jī)梯度下降法和誤差反向傳播進(jìn)行模型參數(shù)更新，網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置如文獻(xiàn)［15］，同時(shí)使用在ImageNet［16］的預(yù)訓(xùn)練模型，批次次數(shù)設(shè)置為64，學(xué)習(xí)率設(shè)置為0.001，訓(xùn)練的最大迭代次數(shù)設(shè)置為20000次，其中每5000次迭代學(xué)習(xí)率下降0.1倍。在ResNet（2+1）D網(wǎng)絡(luò)中，網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置如文獻(xiàn)［9］。利用caffe2實(shí)現(xiàn)ResNet（2+1）D網(wǎng)絡(luò)結(jié)構(gòu)，同時(shí)使用基于Kinetics［17］的預(yù)訓(xùn)練模型，批次次數(shù)設(shè)置為4，學(xué)習(xí)率設(shè)置為0.0002，訓(xùn)練的最大迭代次數(shù)設(shè)置為40000次，其中每10000次迭代學(xué)習(xí)率下降0.1倍。在改進(jìn)的加權(quán)乘積融合法中，權(quán)值w1=w2=1 2。

4.2基于UTD-MHAD數(shù)據(jù)庫(kù)的行為識(shí)別

UTD-MHAD是由Chen［18］等利用Kinect和可穿戴式傳感器制作的RGB-D公開行為數(shù)據(jù)集，該數(shù)據(jù)集中存在一些相似動(dòng)作，如“順時(shí)針畫圓”，“逆時(shí)針畫圓”，因此在該數(shù)據(jù)集進(jìn)行行為識(shí)別仍有一定的難度。

在上文相機(jī)視角擴(kuò)增中，θ，β分別從[-30°，30°]區(qū)間中等間隔取5個(gè)離散值，速度擴(kuò)增中，時(shí)間尺度L設(shè)為5，同時(shí)在UTD-MHAD數(shù)據(jù)集中，選擇序號(hào)為奇數(shù)的數(shù)據(jù)作為訓(xùn)練集，其余作為測(cè)試集。最后，對(duì)所有類別動(dòng)作的分?jǐn)?shù)使用算術(shù)平均法計(jì)算最終的識(shí)別率。

圖5 混淆矩陣：平均識(shí)別率為96.49%

圖5 為本文算法在UTD-MHAD數(shù)據(jù)集上得到的混淆矩陣，可以看出：本文算法在很多動(dòng)作上都取得了優(yōu)異效果，但對(duì)于一些相似動(dòng)作依然存在誤識(shí)別。表1對(duì)比了不同輸入流以及不同融合策略的識(shí)別效果?？梢钥闯觯诓煌斎肓飨?，D MM f對(duì)應(yīng)的Softmax分類效果優(yōu)于DM M s和DMMt對(duì)應(yīng)的Softmax，主要由于將深度圖視頻序列分別投影到側(cè)平面和頂平面計(jì)算得到的深度運(yùn)動(dòng)圖，會(huì)損失部分動(dòng)作時(shí)域信息；在不同融合策略下，結(jié)合各個(gè)分類器分?jǐn)?shù)的加權(quán)求和融合法、乘積法和本文提出改進(jìn)的加權(quán)乘積融合法，優(yōu)于基于分類器標(biāo)簽的投票法。同時(shí)改進(jìn)的加權(quán)乘積融合法相對(duì)乘積法提高了0.63%，主要原因是乘積法要求各個(gè)分類器都具有較好的分類效果，才能得到較高的識(shí)別率，但從表1可以看出DMM s和DMMt對(duì)應(yīng)的Softmax分類效果遠(yuǎn)低于DMMf對(duì)應(yīng)的Softmax。表2將本文算法與近幾年的其他優(yōu)秀方法進(jìn)行了比較，相比文獻(xiàn)［2］、［6］和［20］分別提高了8.09%、5.29%和3.23%，主要由于R（2+1）D網(wǎng)絡(luò)結(jié)構(gòu)能有效提取RGB視頻序列短時(shí)域運(yùn)動(dòng)信息，同時(shí)在計(jì)算DMM時(shí)引入能量權(quán)重，并且采用改進(jìn)的加權(quán)乘積融合多分類器的結(jié)果。

4.3 基于MSR Daily Activity 3D數(shù)據(jù)庫(kù)的人體行為識(shí)別

MSR Daily Activity 3D［21］數(shù)據(jù)庫(kù)是采用Kinect深度傳感器錄制的人體行為公共數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)包含骨骼關(guān)節(jié)位置、深度信息和RGB視頻三種數(shù)據(jù)。在本實(shí)驗(yàn)中我們僅使用了該數(shù)據(jù)庫(kù)中的深度信息和RGB視頻序列，同時(shí)采用和UTD-MHAD數(shù)據(jù)集相同的數(shù)據(jù)擴(kuò)增方式和實(shí)驗(yàn)參數(shù)。

表1 UTD-MHAD數(shù)據(jù)庫(kù)，不同輸入流或融合策略的識(shí)別率比較

表2 在UTD-MHAD數(shù)據(jù)庫(kù)上，現(xiàn)有方法與本文方法的識(shí)別率比較

在該數(shù)據(jù)庫(kù)上的混淆矩陣如圖6所示?？梢钥闯鲈谝恍┫嗨苿?dòng)作依然存在誤識(shí)別，如“看書”與“寫字”。表3比較了不同輸入流及不同融合策略的識(shí)別效果，其中改進(jìn)的加權(quán)乘積融合法相對(duì)乘積法提高了1.36%，主要原因是DM M s和D MM t對(duì)應(yīng)的Softmax分類效果遠(yuǎn)低于D MM f對(duì)應(yīng)的Softmax，因此對(duì)三路BN-Inception網(wǎng)絡(luò)的輸出分?jǐn)?shù)采用均值融合要優(yōu)于乘積法融合策略。表4將本文算法與近幾年的其他優(yōu)秀方法進(jìn)行了比較，相比文獻(xiàn)［23］和［3］分別提高了6.87%和2.45%，相對(duì)于UTD-MHAD數(shù)據(jù)庫(kù)，MSR Daily Activity 3D數(shù)據(jù)庫(kù)背景更為復(fù)雜，同時(shí)很多動(dòng)作存在與物體交互的情況，因此識(shí)別率提升相對(duì)較低。

圖6 混淆矩陣：平均識(shí)別率為93.75%

表3 MSR Daily Activity 3D數(shù)據(jù)庫(kù)，不同輸入流或融合策略的識(shí)別率比較

5 結(jié)語(yǔ)

為了提取行為動(dòng)作的靜態(tài)表觀和時(shí)域運(yùn)動(dòng)信息，同時(shí)解決行為特征在融合時(shí)存在計(jì)算量較大，融合后特征維度高等問(wèn)題，提出了結(jié)合RGB-D視頻序列和卷積神經(jīng)網(wǎng)絡(luò)，并實(shí)現(xiàn)端到端的行為識(shí)別算法。首先利用ResNet（2+1）D網(wǎng)絡(luò)提取RGB視頻的靜態(tài)表觀和短時(shí)域運(yùn)動(dòng)信息，三路獨(dú)立BN-Inception網(wǎng)絡(luò)提取深度圖序列的長(zhǎng)時(shí)域運(yùn)動(dòng)信息，最后利用改進(jìn)的加權(quán)乘積法融合上述四路網(wǎng)絡(luò)的輸出分?jǐn)?shù)，得到最終行為動(dòng)作的類分?jǐn)?shù)。在兩個(gè)公開數(shù)據(jù)集上實(shí)驗(yàn)表明，我們的算法對(duì)相似動(dòng)作具有一定的判別性，但如何在樣本背景復(fù)雜、動(dòng)作交互的情況下，有效提取行為動(dòng)作的長(zhǎng)時(shí)域運(yùn)動(dòng)信息，這將是我們下一步的工作方向。