多視角邊緣設(shè)備下的人體行為對比識(shí)別方法

張潤秀，許志偉，云 靜

（1.內(nèi)蒙古工業(yè)大學(xué) 數(shù)據(jù)科學(xué)與應(yīng)用學(xué)院；2.內(nèi)蒙古工業(yè)大學(xué) 信息工程學(xué)院，內(nèi)蒙古 呼和浩特 010080；3.中國科學(xué)院計(jì)算技術(shù)研究所 北京 100190）

0 引言

在邊緣環(huán)境中，高效的視頻理解是實(shí)際環(huán)境部署的重要基礎(chǔ)。邊緣視頻識(shí)別技術(shù)在自動(dòng)駕駛、智慧醫(yī)療、智慧交通、智慧城市等方面都發(fā)揮著關(guān)鍵支撐作用。隨著科學(xué)技術(shù)的發(fā)展，邊緣設(shè)備收集數(shù)據(jù)的技術(shù)水平得以逐步提升，在實(shí)際環(huán)境中部署邊緣設(shè)備的成本也逐步下降。在此基礎(chǔ)上，人們考慮到可以利用邊緣節(jié)點(diǎn)收集到同一對象不同視角的視頻，這引發(fā)了學(xué)者們對于多視角數(shù)據(jù)的研究，其中多視角人類行為識(shí)別也是熱點(diǎn)研究方向之一。邊緣多視角數(shù)據(jù)行為識(shí)別圖例如圖1 所示（彩圖掃OSID 碼可見）。通過較好地融合多視角數(shù)據(jù)獲得的豐富視角信息，可以學(xué)習(xí)到泛化性更好的模型，并且從多個(gè)視角觀察到動(dòng)作變化之間的相關(guān)性是一項(xiàng)具有挑戰(zhàn)性的工作。從多視角學(xué)習(xí)到視角無關(guān)動(dòng)作表示的行為識(shí)別是當(dāng)前比較熱門的問題之一，它試圖突破成像角度對于行為識(shí)別的限制，使得攝像機(jī)從任意角度獲取的運(yùn)動(dòng)都可以被準(zhǔn)確識(shí)別與理解［1］。視角無關(guān)在智能人機(jī)互動(dòng)、異常行為監(jiān)控等場景的應(yīng)用中十分重要，研究行為識(shí)別多視角無關(guān)特征的提取有助于推動(dòng)現(xiàn)實(shí)應(yīng)用的發(fā)展。

Fig.1 Example of multi-view data action recognition model圖1 多視角數(shù)據(jù)行為識(shí)別模型示例

多視角數(shù)據(jù)行為識(shí)別研究大多基于RGB 圖像、深度圖像和骨骼點(diǎn)等多種數(shù)據(jù)融合的方式以學(xué)習(xí)視角無關(guān)的特征。Ren 等［2］提出一種雙向秩池化方法以構(gòu)建RGB 視覺動(dòng)態(tài)圖像（VDI）和深度動(dòng)態(tài)圖像（DDI），并且設(shè)計(jì)了一種基于多模態(tài)分層融合策略的有效分割卷積網(wǎng)絡(luò)架構(gòu)，用于人體動(dòng)作識(shí)別。Wang 等［3］提出一個(gè)生成框架，以探索RGB 和深度模式中的特征分布。Cai 等［4］和Li 等［5］分別提出兩種雙流網(wǎng)絡(luò)結(jié)構(gòu)，有效地融合了RGB 和骨架特征。對于深度圖和骨骼點(diǎn)的融合方法，Xu 等［6］提出一種基于雙線性池和注意力網(wǎng)絡(luò)（BPAN）的多模態(tài)動(dòng)作識(shí)別模型，可以有效地融合多模態(tài)進(jìn)行動(dòng)作識(shí)別。盡管這些方法都顯示出較好的效果，但在邊緣資源受限情況下，這些方法由于融合了多種數(shù)據(jù)，時(shí)序上動(dòng)作運(yùn)動(dòng)的計(jì)算代價(jià)過高，不適合部署在實(shí)際場景中。邊緣視頻識(shí)別需在無監(jiān)督情況下更新模型，確保在無需連接數(shù)據(jù)中心服務(wù)器的情況下更新模型。邊緣視頻識(shí)別具有能夠正確刻畫瞬息萬變的實(shí)際生產(chǎn)生活環(huán)境特點(diǎn)，能夠支撐相關(guān)識(shí)別和預(yù)測工作。上述多視角行為識(shí)別方法無法在實(shí)際應(yīng)用中有效地學(xué)習(xí)到視角無關(guān)的動(dòng)作表示，如何在邊緣設(shè)備有限的資源支撐下高效更新模型，以及如何學(xué)習(xí)視角無關(guān)的特征，特別是高效利用邊緣節(jié)點(diǎn)收集同一對象不同視角的視頻，獲取更多有效特征以支持動(dòng)作識(shí)別，是邊緣視頻識(shí)別的關(guān)鍵問題。因此，亟需研究一種自監(jiān)督的視角無關(guān)行為識(shí)別技術(shù)，提高面向?qū)嶋H環(huán)境解決多角度普適問題的能力，同時(shí)保證行為識(shí)別結(jié)果的高準(zhǔn)確率。

對比學(xué)習(xí)是適用于多視角行為識(shí)別的一種自監(jiān)督方法，其最早作為一種降維方法被提出：只需要訓(xùn)練樣本空間的相對關(guān)系（對比平衡關(guān)系）即可在空間內(nèi)表示向量并將原始數(shù)據(jù)映射到一個(gè)特征空間［7］。在該特征空間中，正樣本的相似性被最大化，而負(fù)樣本的相似性被最小化，對比學(xué)習(xí)通過最大化正樣本對之間的一致性進(jìn)行學(xué)習(xí)表示［8］。本文使用對比學(xué)習(xí)實(shí)現(xiàn)最大化同一動(dòng)作不同視角之間的一致性以獲得多視角的視角無關(guān)特征。

本文提出一種基于對比學(xué)習(xí)的端到端多視角人體行為自監(jiān)督識(shí)別網(wǎng)絡(luò)，從多視角數(shù)據(jù)中學(xué)習(xí)和辨別視角無關(guān)的特征。模型將同一動(dòng)作下不同視角的視頻作為網(wǎng)絡(luò)輸入，基于對比學(xué)習(xí)的思想，對比各類多視角下人體的動(dòng)作變化，學(xué)習(xí)到多個(gè)視角觀察下不同動(dòng)作中的空間不變性特征，從而獲取視角無關(guān)的各類動(dòng)作信息。本文模型采用多數(shù)據(jù)流輸入方式，將來自不同視角和時(shí)間的多個(gè)短視頻剪輯作為輸入，并使用所提出的多視角人體行為識(shí)別網(wǎng)絡(luò)學(xué)習(xí)多視角間的視角無關(guān)特征。學(xué)習(xí)到的動(dòng)作表示用于在下游任務(wù)中使用分類網(wǎng)絡(luò)的動(dòng)作識(shí)別任務(wù)。本文主要貢獻(xiàn)有3 個(gè)方面：①提出了一種邊緣環(huán)境下自監(jiān)督的多視角人體行為識(shí)別網(wǎng)絡(luò)模型，可以進(jìn)行端到端的訓(xùn)練，適用于實(shí)時(shí)視頻監(jiān)控、智能人機(jī)互動(dòng)等實(shí)際應(yīng)用場景，提供高精度在線行為識(shí)別；②模型基于對比學(xué)習(xí)理論，高效利用多視角數(shù)據(jù)，來自不同視角的視頻被映射到嵌入空間中，在該嵌入空間中，通過拉近同一動(dòng)作不同視角特征間的距離提取具有空間不變性的特征，從而學(xué)習(xí)到視角無關(guān)的動(dòng)作表示，在多視角數(shù)據(jù)研究中保留了視角的信息，增強(qiáng)了模型泛化能力；③本文方法在NTU RGB+D 數(shù)據(jù)集上優(yōu)于現(xiàn)有一些算法，在基于單一RGB 模態(tài)的自監(jiān)督方法中表現(xiàn)出良好的識(shí)別效果，使用多個(gè)評價(jià)指標(biāo)進(jìn)行比較，證明了本文提出模型所學(xué)的動(dòng)作表示在多視角動(dòng)作識(shí)別任務(wù)中的有效性。

1 相關(guān)工作

1.1 行為識(shí)別方法

早期行為識(shí)別大多采用手工特征提取的方式，利用動(dòng)作的運(yùn)動(dòng)軌跡進(jìn)行動(dòng)作分類，其中效果最好的方法為Klaser 等［9］提出的密集軌跡算法。Wang 等［10］在密集軌跡算法基礎(chǔ)上引入背景光流消除方法，使得特征更集中于對人的運(yùn)動(dòng)描述。然而，這些基于特征工程的方法十分耗時(shí)費(fèi)力。

深度學(xué)習(xí)方法的出現(xiàn)取代了傳統(tǒng)行為識(shí)別方法。如基于3D 卷積網(wǎng)絡(luò)的方法［11-13］，基于雙流卷積網(wǎng)絡(luò)的方法［14］，特征工程與深度學(xué)習(xí)相結(jié)合的方法［15］和基于圖卷積網(wǎng)絡(luò)的方法［16-17］等。文獻(xiàn)［18］提出一種新的視角無關(guān)特征，將骨架關(guān)節(jié)點(diǎn)序列的時(shí)空信息編碼為視角不變骨架圖（VISM），并采用3D 卷積神經(jīng)網(wǎng)絡(luò)，利用VISM 的特征進(jìn)行3D 動(dòng)作識(shí)別。文獻(xiàn)［19］提出一種基于骨架的動(dòng)作識(shí)別方法改進(jìn)卷積注意力模塊（CBAM），并將改進(jìn)的模塊應(yīng)用于自適應(yīng)網(wǎng)絡(luò)捕獲通道域和空間域的隱式加權(quán)信息。文獻(xiàn)［20］提出一種新的圖卷積網(wǎng)絡(luò)（CTR-GC）以動(dòng)態(tài)學(xué)習(xí)不同的拓?fù)浣Y(jié)構(gòu)并有效地聚合不同通道中的聯(lián)合特征，以進(jìn)行基于骨架的動(dòng)作識(shí)別。提出的CTR-GC 通過學(xué)習(xí)共享拓?fù)?，并作為所有通道的通用先?yàn)，使用特定于每個(gè)通道的相關(guān)性對其加以細(xì)化，從而對通道拓?fù)溥M(jìn)行建模。這些模型準(zhǔn)確率較好，但結(jié)構(gòu)復(fù)雜，動(dòng)作表示計(jì)算代價(jià)高，不適合部署在邊緣設(shè)備上。

1.2 多數(shù)據(jù)模態(tài)行為識(shí)別方法

近年來，使用雙流和多流的行為識(shí)別方法取得了不錯(cuò)進(jìn)展。Li 等［5］提出一種雙流網(wǎng)絡(luò)，該網(wǎng)絡(luò)由3 個(gè)主要組件組成，即提取骨架特征的ST-GCN 網(wǎng)絡(luò)、提取RGB 特征的R（2+1）D 網(wǎng)絡(luò)，以及利用這些特征增強(qiáng)RGB 視頻中動(dòng)作相關(guān)信息的引導(dǎo)塊，并利用分?jǐn)?shù)融合方法進(jìn)行分類。Zhao等［21］使用兩個(gè)3DCNN 流（以原始深度數(shù)據(jù)和深度運(yùn)動(dòng)圖像為輸入）和一個(gè)以3D 骨骼為輸入的表示流（以深度和骨骼序列為輸入）進(jìn)行特征提取。這3 個(gè)網(wǎng)絡(luò)的分類分?jǐn)?shù)通過加權(quán)法進(jìn)行融合。這些基于多種數(shù)據(jù)模式輸入的方法需要人工標(biāo)注的可靠2D/3D 姿勢信息，在邊緣資源受限情況下，基于RGB 視頻模式的自監(jiān)督行為識(shí)別方法更為高效。

1.3 自監(jiān)督行為識(shí)別

行為識(shí)別過程中，監(jiān)督學(xué)習(xí)在深度學(xué)習(xí)領(lǐng)域占有主導(dǎo)地位，但監(jiān)督學(xué)習(xí)需要大量人類標(biāo)注的數(shù)據(jù)，實(shí)際場景下大量的數(shù)據(jù)沒法進(jìn)行人工標(biāo)記，導(dǎo)致監(jiān)督學(xué)習(xí)存在不具有實(shí)時(shí)收集數(shù)據(jù)訓(xùn)練的局限性。自監(jiān)督學(xué)習(xí)能夠解決這一難點(diǎn)，已有一些研究利用3D 運(yùn)動(dòng)預(yù)測作為自監(jiān)督學(xué)習(xí)的一種方式［22-24］，但需對光流方式和3D 卷積方法進(jìn)行計(jì)算且成本很高，數(shù)據(jù)擴(kuò)增的方法包括對邊緣設(shè)備存儲(chǔ)空間的要求［25］，這些方法都無法在資源有限的邊緣設(shè)備上進(jìn)行部署。因此，本文采用RGB 數(shù)據(jù)輸入，2D 卷積作為模型骨干網(wǎng)絡(luò)的自監(jiān)督方案。

2 自監(jiān)督行為對比識(shí)別框架

本文提出端到端多視角人體行為自監(jiān)督識(shí)別網(wǎng)絡(luò)。使用多視角數(shù)據(jù)視角豐富的特點(diǎn)，將對比學(xué)習(xí)的思想引入人體行為識(shí)別，通過孿生神經(jīng)網(wǎng)絡(luò)模型（Siamese Network）搭建基于多視角的人體行為對比識(shí)別框架，提出的自監(jiān)督網(wǎng)絡(luò)模型可以在實(shí)際場景中提供人體行為在線識(shí)別。本文所用到的符號(hào)描述如表1所示。

Table 1 Description of symbols表1 符號(hào)描述

2.1 多視角數(shù)據(jù)嵌入

在多個(gè)角度下觀察人的行為，每個(gè)觀察視角下行為的運(yùn)動(dòng)軌跡都不同。大多數(shù)行為識(shí)別方法在使用數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)沒能考慮到這一問題，從而導(dǎo)致行為識(shí)別準(zhǔn)確度不高，不能很好地適應(yīng)行為隨角度變化而運(yùn)動(dòng)軌跡不同的情況。因此，本文在構(gòu)建模型時(shí)采用多視角數(shù)據(jù)輸入，利用視角豐富的多視角人體行為數(shù)據(jù)讓模型學(xué)習(xí)到適應(yīng)觀察角度不同的行為特征，得到泛化性能更好的模型。

數(shù)據(jù)輸入以兩個(gè)視角為例，從同一行為類別的兩個(gè)不同視角數(shù)據(jù)中將視頻幀對（x1和x2）作為輸入，i?{1，2，…，n}表示視頻序列長度為n的時(shí)刻數(shù)，x1和x2分別表示同一行為類別中兩個(gè)不同視角的視頻幀。模型具體輸入如下：

從同一動(dòng)作兩個(gè)不同視角的視頻序列中采集視頻幀對x1和x2。x1和x2被認(rèn)為是一對相似的視頻幀并作為對比數(shù)據(jù)輸入，并且同一動(dòng)作的每個(gè)視頻采樣都從同一時(shí)刻開始到同一時(shí)刻結(jié)束。樣本選擇如下：從數(shù)據(jù)集的其中一個(gè)視角V1數(shù)據(jù)中隨機(jī)抽樣N個(gè)樣本，然后從另一視角V2中找到對應(yīng)的樣本，總樣本批次大小為2N。將樣本中同一動(dòng)作V1和V2兩個(gè)視角對應(yīng)時(shí)間得到的視頻幀對x1和x2作為輸入。

在實(shí)驗(yàn)中，根據(jù)下文介紹的數(shù)據(jù)集劃分，從同一時(shí)刻同一動(dòng)作的兩個(gè)不同視角進(jìn)行幀采樣作為輸入。同時(shí)，按照數(shù)據(jù)集驗(yàn)證協(xié)議，實(shí)驗(yàn)將數(shù)據(jù)集中同一動(dòng)作區(qū)別于前兩個(gè)視角的第三視角作為測試集對訓(xùn)練結(jié)果進(jìn)行測試。

2.2 視角不變特征學(xué)習(xí)

人體行為識(shí)別中動(dòng)作表示的學(xué)習(xí)尤為重要，動(dòng)作由人完成，人體姿態(tài)的變化在行為識(shí)別中是關(guān)鍵。實(shí)際場景中人體行為數(shù)據(jù)記錄的人體姿態(tài)常常隨著觀測相機(jī)的視角變化而變化。但行為的本質(zhì)特征是不隨視角而改變的，動(dòng)作特征作為行為的表示也應(yīng)當(dāng)不隨視角而變化，因此學(xué)習(xí)視角不變的特征十分重要。

為了使用多視角數(shù)據(jù)學(xué)習(xí)視角不變的特征，模型采用Siamese Network 結(jié)構(gòu)作為特征提取網(wǎng)絡(luò)的整體框架。在模型中使用多視角數(shù)據(jù)進(jìn)行對比學(xué)習(xí)得到利于行為識(shí)別的視角不變特征，在兩條神經(jīng)網(wǎng)絡(luò)中共享網(wǎng)絡(luò)參數(shù)，這是學(xué)習(xí)的關(guān)鍵。簡單而言，通過共享參數(shù)實(shí)現(xiàn)了讓同一個(gè)網(wǎng)絡(luò)同時(shí)從不同視角觀測某一動(dòng)作，并理解不同視角下哪些是行為表示的一致性特征從而進(jìn)一步拉近距離。如圖2所示（彩圖掃OSID 碼可見），兩個(gè)獨(dú)立的數(shù)據(jù)從同一時(shí)刻同一動(dòng)作的兩個(gè)不同視角視頻中采樣；一個(gè)基本編碼器網(wǎng)絡(luò)f(·)和一個(gè)預(yù)測MLPg(·)被訓(xùn)練成用于計(jì)算對比損失，最大化同類別動(dòng)作的一致性；訓(xùn)練完成后，使用預(yù)測MLPg(·)得到特征z，對下游任務(wù)進(jìn)行處理。該網(wǎng)絡(luò)框架包括以下主要組件：

Fig.2 Simple example of a visual feature contrast learning framework圖2 視覺特征對比學(xué)習(xí)框架的簡單示例

（1）一種神經(jīng)網(wǎng)絡(luò)基礎(chǔ)編碼器f(·)。神經(jīng)網(wǎng)絡(luò)基礎(chǔ)編碼器的主干網(wǎng)絡(luò)可以由不同的卷積神經(jīng)網(wǎng)絡(luò)模型替換，用于提取視頻特征。實(shí)驗(yàn)中所用的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)編碼器由經(jīng)典網(wǎng)絡(luò)VGG16 和一個(gè)多層感知器組成，多層感知器包括輸入層、隱藏層和輸出層?；A(chǔ)編碼器輸入為視頻幀對x1和x2，經(jīng)過主干網(wǎng)絡(luò)提取視頻特征，隱藏層將視頻特征映射到高維度空間后輸出的特征用h表示，h=f(x)為輸出層輸出的二維向量。

（2）一個(gè)小型神經(jīng)網(wǎng)絡(luò)預(yù)測MLPg(·)。參考Simclr［8］和SimSiam［26］，模型使用具有一個(gè)隱藏層的多層感知器獲取特征z=g(h)。

（3）對比任務(wù)定義的對比損失函數(shù)。損失函數(shù)使用編碼器f(·)和預(yù)測MLPg(·)提取的特征計(jì)算其空間距離，使同類動(dòng)作的相似視頻幀對實(shí)現(xiàn)最大化一致性。

2.3 自監(jiān)督行為對比識(shí)別

現(xiàn)有的行為識(shí)別模型大多為有監(jiān)督的方法，而有監(jiān)督學(xué)習(xí)需要大量人工標(biāo)簽標(biāo)注，這很難實(shí)現(xiàn)。大多行為識(shí)別方法無法提供在線識(shí)別，不能在實(shí)際場景中應(yīng)用。MARNET 是自監(jiān)督的網(wǎng)絡(luò)模型，在對比學(xué)習(xí)的啟發(fā)下，通過計(jì)算潛在空間中的對比損失，最大化同一動(dòng)作不同視角之間的一致性來學(xué)習(xí)表示，可以部署在實(shí)際場景中實(shí)時(shí)學(xué)習(xí)和識(shí)別。

MAR-NET 經(jīng)過Siamese Network 中的隱藏層將視頻幀映射到高維度空間，然后通過對比損失比較其嵌入高維度空間特征的相似程度。具體過程如下：

一對相似視頻幀x1和x2由神經(jīng)網(wǎng)絡(luò)基礎(chǔ)編碼器f(·)處理，即h=f(x)，由此得到特征對h1和h2，隨后經(jīng)過小型神經(jīng)網(wǎng)絡(luò)預(yù)測MLPg(·)處理，即z=g(h)，由此得到特征對z1和z2，編碼器f(·)和預(yù)測MLPg(·)在兩個(gè)視頻幀之間共享權(quán)重。處理得到的特征對h1和h2以及特征對z1和z2為一對相似視頻幀處理得到的特征表示對，具有一定的相似度。對于處理得到的特征表示對，通過使用余弦相似度計(jì)算兩個(gè)向量的夾角余弦值以評估向量間的相似度，適用于同一動(dòng)作不同視角間的相似度度量，因此，分別最小化z1和h1以及z1和h2的負(fù)余弦相似性如下：

其中，‖ · ‖2是L2 范數(shù)，這兩個(gè)公式用來計(jì)算向量間的相似程度。因此，兩個(gè)視角的損失函數(shù)定義為：

參考Simsiam 網(wǎng)絡(luò)框架［28］，為了防止模型崩塌，兩個(gè)視角的損失函數(shù)最終定義為：

其中，stopgrad(·)是梯度停止操作，x1的編碼器在第一項(xiàng)中沒有接收到來自h1的梯度，但是在第二項(xiàng)中接收到來自z1的梯度（對于x2反之亦然）。

當(dāng)輸入角度多于2 個(gè)時(shí)，例如有x1、x2、……、xv共v個(gè)角度，對輸入角度進(jìn)行排列組合，以兩個(gè)不同角度組成一組正樣本。一組正樣本的損失為（以x1、x2為例）：

則v個(gè)角度的總體損失為：

Lv計(jì)算v個(gè)角度向量間的空間距離總和，在模型迭代過程中，Lv不斷優(yōu)化并最終得到最優(yōu)解。在這一過程中，不同視角的同一動(dòng)作表示在嵌入空間中的距離最大限度地被拉近。同時(shí)，在拉近同一動(dòng)作不同視角的空間距離時(shí)，相同類別的動(dòng)作也在嵌入空間中被拉近，不同類別的動(dòng)作被拉遠(yuǎn)。不同類別的對比損失定義如下：

其中，y是判斷兩個(gè)樣本是否匹配的標(biāo)簽，當(dāng)兩個(gè)樣本的類別標(biāo)簽一致時(shí)y=1，當(dāng)兩個(gè)樣本的類別標(biāo)簽不一致時(shí)y=0；d=‖z1-z2‖2代表兩個(gè)樣本特征的歐氏距離；margin為設(shè)定的閾值。

La損失能夠用于在嵌入空間中有效區(qū)分不同動(dòng)作類別，當(dāng)兩個(gè)樣本標(biāo)簽相同，損失計(jì)算為d2，即樣本為同一動(dòng)作類別時(shí)，如果在嵌入空間的歐式距離較小，則損失函數(shù)越小，說明當(dāng)前模型拉近同一類別動(dòng)作的效果越好；當(dāng)兩個(gè)樣本標(biāo)簽不同時(shí)，損失計(jì)算為max(margin-d，0)2，即樣本為不同的動(dòng)作類別時(shí)，其嵌入空間的歐式距離較大，損失函數(shù)減小，說明當(dāng)前模型區(qū)別不同類別動(dòng)作的效果越好。

因此，模型總體的損失定義為Lall：

其中，λ為損失權(quán)重，用于平衡動(dòng)作的視角和類別的損失計(jì)算。

最后，在模型訓(xùn)練過程中，相同類別動(dòng)作的多個(gè)視角在嵌入空間中被拉進(jìn)，學(xué)習(xí)到視角無關(guān)的動(dòng)作表示，不同類別的動(dòng)作在空間中被區(qū)分開，利于下游進(jìn)行行為識(shí)別。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)配置

本文所有實(shí)驗(yàn)都在Ubuntu 16.04 環(huán)境的Caffe 深度學(xué)習(xí)框架下進(jìn)行，使用一塊NVIDIA GeForce RTX 2060 顯卡和16 GB 內(nèi)存。由兩個(gè)樹莓派收集不同視角下的視頻并傳輸?shù)竭吘売?jì)算服務(wù)器，邊緣計(jì)算服務(wù)器完成模型訓(xùn)練和動(dòng)作識(shí)別。邊緣計(jì)算服務(wù)器和樹莓派配置如表2、表3所示。

Table 2 Configuration information of edge server hardware表2 邊緣服務(wù)器硬件配置信息

Table 3 Configuration information of Raspberry Pi 4B hardware表3 樹莓派（Raspberry Pi 4B）硬件配置信息

實(shí)驗(yàn)過程中，預(yù)處理后的視頻幀輸入深度學(xué)習(xí)模型，并經(jīng)過主干網(wǎng)絡(luò)VGG16 和多層感知機(jī)的學(xué)習(xí)；對不同視角的動(dòng)作提取視角無關(guān)的各類行為表示，訓(xùn)練完成后保存預(yù)訓(xùn)練網(wǎng)絡(luò)模型；對預(yù)訓(xùn)練網(wǎng)絡(luò)模型微調(diào)進(jìn)行下游動(dòng)作分類任務(wù)。微調(diào)時(shí)使用初始模型架構(gòu)，將損失換為SoftMax損失并用于動(dòng)作的多分類。采用SGD 優(yōu)化器，初始學(xué)習(xí)率為0.000 1，學(xué)習(xí)率衰減采用Step 機(jī)制，每1 000 輪學(xué)習(xí)率進(jìn)行衰減，學(xué)習(xí)率調(diào)整倍數(shù)為0.1。損失中Margin 值為1，超參數(shù)λ設(shè)定為0.5。

3.2 數(shù)據(jù)準(zhǔn)備

NTU-RGB+D 數(shù)據(jù)集［27］由南洋理工大學(xué)提供，包括60種動(dòng)作，約56 000 個(gè)視頻片段。分為三大類：40 個(gè)日常動(dòng)作（飲酒、進(jìn)食、閱讀等）、9 個(gè)與健康相關(guān)的動(dòng)作（打噴嚏、蹣跚、摔倒等）和11個(gè)互動(dòng)動(dòng)作（拳打腳踢、擁抱等）。RGB視頻的分辨率為1 920×1 080，深度圖和紅外視頻均為512x424，3D 骨骼數(shù)據(jù)包含每幀25 個(gè)身體關(guān)節(jié)的三維坐標(biāo)。數(shù)據(jù)集采用兩種不同的評估協(xié)議，分別是交叉主體和交叉視圖。NTU-RGB+D 120 數(shù)據(jù)集［28］通過添加另外60類，約57 600 個(gè)視頻樣本以擴(kuò)展NTU-RGB+D 數(shù)據(jù)集，即NTU-RGB+D 120數(shù)據(jù)集總共有120類和114 480個(gè)樣本。

基于RGB 模式的人體行為識(shí)別方法通常對背景雜波敏感?？紤]到該問題，對數(shù)據(jù)進(jìn)行預(yù)處理：對提取的視頻幀作進(jìn)一步去背景處理，即估計(jì)出目標(biāo)人體的大致范圍后進(jìn)行人體框的提取和圖片裁剪。對數(shù)據(jù)集原始采樣的視頻幀和數(shù)據(jù)作進(jìn)一步處理后的采樣視頻幀如圖3所示。

Fig.3 Example of the original sampled picture frame of the data set and the sampled picture frame after further processing of the data圖3 數(shù)據(jù)集原始采樣視頻幀和數(shù)據(jù)進(jìn)一步處理后的采樣視頻幀示例

圖3（a）為數(shù)據(jù)集原始采樣的視頻幀，圖3（b）為數(shù)據(jù)進(jìn)一步處理后的采樣視頻幀。將進(jìn)一步處理后的數(shù)據(jù)放入MAR-NET 模型進(jìn)行學(xué)習(xí)。模型設(shè)置與之前相同，不同的是采樣視頻幀有進(jìn)一步處理，得到的結(jié)果與處理前的結(jié)果比較如表4 所示。通過對比可以證實(shí)采樣的視頻幀進(jìn)行處理后對分類準(zhǔn)確度有顯著提高。

Table 4 Accuracy comparison of sampled frames after further processing表4 采樣視頻幀進(jìn)一步處理后準(zhǔn)確度對比（%）

本文所有實(shí)驗(yàn)使用的數(shù)據(jù)集均為NTU-RGB+D 數(shù)據(jù)集［28］的RGB 視頻，且采用交叉視角的評估協(xié)議。同時(shí)，參考文獻(xiàn)［29］對數(shù)據(jù)進(jìn)行預(yù)處理：①將視頻的分辨率從1 920×1 080×D（其中D是幀數(shù)）降低到512×384×50，在每個(gè)視頻中，這50 幀的起始點(diǎn)相同；②估計(jì)出目標(biāo)人體的大致范圍后進(jìn)行人體框的提取和圖片裁剪；③對輸入視頻幀進(jìn)行［0，1］區(qū)間內(nèi)的歸一化。

3.3 準(zhǔn)確性分析

為了評估MAR-NET 模型性能，本文將其與目前主流的深度學(xué)習(xí)算法進(jìn)行比較。表5 給出了本文模型與使用RGB 的空間卷積網(wǎng)絡(luò)（2D 卷積）、時(shí)空卷積網(wǎng)絡(luò)（CNN-BiLSTM）和使用骨骼的李群網(wǎng)絡(luò)（Lie group）、時(shí)空卷積網(wǎng)絡(luò)（Skelemotion）、時(shí)空交叉注意力網(wǎng)絡(luò)（STAR-Transformer）的行為識(shí)別效果?？梢钥闯觯琈AR-NET 同基于2D 的空間卷積相比表現(xiàn)出更好的性能，且與文獻(xiàn)［31］提出的僅使用RGB 的自監(jiān)督行為識(shí)別方法相比準(zhǔn)確度提升18.7%。

Table 5 Comparison with other action recognition methods表5 與其他行為識(shí)別方法比較

MAR-NET 與使用骨骼數(shù)據(jù)的方法相比具有更好的識(shí)別準(zhǔn)確度。但是，通過與文獻(xiàn)［33］、文獻(xiàn)［34］提出的方法相比可以看出，由于骨骼模態(tài)能夠清晰地體現(xiàn)動(dòng)作變化，基于骨骼的時(shí)空卷積方法為識(shí)別準(zhǔn)確性帶來較大提升。然而，在實(shí)際場景中使用骨骼存在模態(tài)缺失及提取骨骼質(zhì)量劣質(zhì)的問題，導(dǎo)致識(shí)別效果不佳。本文方法針對邊緣環(huán)境中資源受限情況下的行為識(shí)別，考慮到更多現(xiàn)實(shí)環(huán)境因素，提高了行為識(shí)別算法實(shí)際應(yīng)用時(shí)的在線識(shí)別精度。

3.4 消融實(shí)驗(yàn)

為了驗(yàn)證本文使用對比學(xué)習(xí)提出對比損失對模型性能的影響，在NTU-RGB+D 數(shù)據(jù)集上進(jìn)行了3組消融實(shí)驗(yàn)。

（1）模型損失計(jì)算僅采用式（6）。模型設(shè)置使用與之前相同的設(shè)置，損失計(jì)算不使用不同類別間的對比損失計(jì)算，僅使用計(jì)算視角間的對比損失。得到的結(jié)果與未修改的對比損失的結(jié)果比較如表6 所示。通過對比可以證實(shí)，采用本文方法計(jì)算不同類別間的對比損失能夠形成類間區(qū)別性，在特征空間中更好地約束不同行為類別的特征分布，從而得到更加準(zhǔn)確的行為分類結(jié)果。

Table 6 Accuracy comparison of loss calculation used only by equation（6）表6 僅使用式（6）進(jìn)行損失計(jì)算后的準(zhǔn)確度比較（%）

（2）模型損失計(jì)算僅采用式（7）。模型設(shè)置使用與之前相同的設(shè)置，損失計(jì)算不使用視角間的對比損失計(jì)算，僅使用計(jì)算不同類別的對比損失。得到的結(jié)果與未修改的對比損失結(jié)果比較如表7 所示。通過對比可以證實(shí)，采用本文提出的視角間對比損失能夠更加有效地學(xué)習(xí)行為的本質(zhì)特征，從而獲取更為優(yōu)秀的人體行為表示。

Table 6 Accuracy comparison of loss calculation used only by equation（7）表7 僅使用式（7）進(jìn)行損失計(jì)算后的準(zhǔn)確度比較（%）

（3）主干網(wǎng)絡(luò)不變，自監(jiān)督損失改為簡單分類損失。為了驗(yàn)證使用對比學(xué)習(xí)思想學(xué)習(xí)視角無關(guān)特征的效果，MAR-NET 的主干網(wǎng)絡(luò)結(jié)構(gòu)不變，不使用共享參數(shù)的多個(gè)視角的視頻數(shù)據(jù)輸入，人工將視頻數(shù)據(jù)打上類別標(biāo)簽，僅使用分類損失對視頻幀進(jìn)行訓(xùn)練?？臻g上簡單分類的深度學(xué)習(xí)網(wǎng)絡(luò)（Supervised-net）最后分類結(jié)果與MAR-NET的結(jié)果比較如表8 所示。對于多個(gè)視角的數(shù)據(jù)，簡單分類方法未考慮視角間動(dòng)作不一致的問題，無法分辨同一個(gè)目標(biāo)人體做出的不同動(dòng)作而得到較差的識(shí)別結(jié)果。通過對比可以證明，本文提出的多視角自監(jiān)督行為識(shí)別方法相比簡單的分類學(xué)習(xí)可以學(xué)習(xí)到更有效的動(dòng)作表示，提高了動(dòng)作分類效果。

4 結(jié)語

本文提出了一種基于對比學(xué)習(xí)的端到端多視角人體行為自監(jiān)督識(shí)別模型，主要解決了實(shí)際場景中資源受限，并且因人體角度不同或遮蔽所帶來的人體行為識(shí)別難題。本文提出的模型基于對比學(xué)習(xí)的思想，學(xué)習(xí)不同動(dòng)作多個(gè)視角之間潛在的空間關(guān)系，將不同視角學(xué)習(xí)到的特征映射到同一特征空間，利用遷移學(xué)習(xí)在下游任務(wù)中對視頻中的行為類別進(jìn)行識(shí)別。多視角特征學(xué)習(xí)模型是端到端訓(xùn)練，使得該模型能夠更好地學(xué)習(xí)到多個(gè)視角之間的視角不變特征且適用于實(shí)際場景中，為行為識(shí)別的高準(zhǔn)確度和實(shí)用性提供了保障。在NTU-RGB+D 數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，證明了該方法對于多視角動(dòng)作識(shí)別的有效性，同時(shí)與其他多視角行為識(shí)別方法對比，證明了本文方法的優(yōu)越性。