CN110738070A - 基于视频的行为识别方法、行为识别装置及终端设备 - Google Patents
基于视频的行为识别方法、行为识别装置及终端设备 Download PDFInfo
- Publication number
- CN110738070A CN110738070A CN201810707711.0A CN201810707711A CN110738070A CN 110738070 A CN110738070 A CN 110738070A CN 201810707711 A CN201810707711 A CN 201810707711A CN 110738070 A CN110738070 A CN 110738070A
- Authority
- CN
- China
- Prior art keywords
- lstm
- fully
- layer
- features
- inputting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于视频的行为识别方法、行为识别装置、终端设备及计算机可读存储介质,所述行为识别方法包括:通过特征提取器对视频的RGB帧提取第一个全连接层的特征和最后一个卷积层的特征;将所述第一个全连接层的特征输入至全连接长短期记忆网络LSTM进行时序建模,将所述最后一个卷积层的特征输入至卷积LSTM进行时序建模;将经过所述全连接LSTM进行时序建模后的特征和经过所述卷积LSTM进行时序建模后的特征输入至联合优化层;通过所述联合优化层对所述视频的RGB帧进行行为识别。通过本发明可解决现有行为识别方法存在背景信息复杂、对时序建模能力不够强等问题。
Description
技术领域
本发明属于计算机视觉技术领域,尤其涉及一种基于视频的行为识别方法、行为识别装置、终端设备及计算机可读存储介质。
背景技术
视频行为识别是计算机视觉领域里最具挑战性的问题之前。视频行为识别就是利用计算机自动地分析视频数据,从而识别行为类别。视频行为识别在很多领域都有重要的应用价值,例如智能视频监控、视频检索、人机交互等。然而,现有行为识别方法存在背景信息复杂、对时序建模能力不够强等问题。
故,有必要提出一种新的技术方案,以解决上述技术问题。
发明内容
有鉴于此,本发明提供了一种基于视频的行为识别方法、行为识别装置、终端设备及计算机可读存储介质,以解决现有行为识别方法存在背景信息复杂、对时序建模能力不够强等问题。
本发明的第一方面提供了一种基于视频的行为识别方法,所述行为识别方法包括:
通过特征提取器对视频的RGB帧提取第一个全连接层的特征和最后一个卷积层的特征;
将所述第一个全连接层的特征输入至全连接长短期记忆网络LSTM进行时序建模,将所述最后一个卷积层的特征输入至卷积LSTM进行时序建模;
将经过所述全连接LSTM进行时序建模后的特征和经过所述卷积LSTM进行时序建模后的特征输入至联合优化层;
通过所述联合优化层对所述视频的RGB帧进行行为识别。
本发明的第二方面提供了一种基于视频的行为识别装置,所述行为识别装置包括:
特征提取模块,用于通过特征提取器对视频的RGB帧提取第一个全连接层的特征和最后一个卷积层的特征;
时序建模模块,用于将所述第一个全连接层的特征输入至全连接长短期记忆网络LSTM进行时序建模,将所述最后一个卷积层的特征输入至卷积LSTM进行时序建模;
特征输入模块,用于将经过所述全连接LSTM进行时序建模后的特征和经过所述卷积LSTM进行时序建模后的特征输入至联合优化层;
行为识别模块,用于通过所述联合优化层对所述视频的RGB帧进行行为识别。
本发明的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述行为识别方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述行为识别方法的步骤。
由上可见,本方案通过特征提取器对视频的RGB帧提取第一个全连接层的特征和最后一个卷积层的特征,并将第一个全连接层的特征输入至全连接LSTM进行时序建模,将最后一个卷积层的特征输入至卷积LSTM进行时序建模,将进行时序建模后的两个特征输入至联合优化层,从而对视频的RGB帧进行行为识别。本方案通过双流LSTM对从RGB帧提取的第一全连接层的特征和最后一个卷积层的特征进行处理,并将处理后的两个特征输入至联合优化层,从而可排除复杂的背景技术的干扰,提高时序建模能力,进而提高了行为识别的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的基于视频的行为识别方法的实现流程示意图;
图2是在时间步上展开的注意力结构示例图;
图3是本发明实施例二提供的基于视频的行为识别方法的实现流程示意图;
图4是本发明实施例三提供的基于视频的行为识别装置的示意图;
图5是本发明实施例四提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本发明实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端设备。然而,应当理解的是,终端设备可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端设备支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
参见图1,是本发明实施例一提供的基于视频的行为识别方法的实现流程示意图,如图所示该行为识别方法可以包括以下步骤:
步骤S101,通过特征提取器对视频的RGB帧提取第一个全连接层的特征和最后一个卷积层的特征。
在本发明实施例中,可以选取在ImageNet上预先训练好的ResNet152模型作为特征提取器,对待识别的视频进行分帧处理得到RGB帧,将RGB帧输入至特征提取器,提取ResNet152模型的第一个全连接层的特征和最后一个卷积层的特征。其中,所述特征提取器可以是卷积神经网络(Convolutional Neural Network,CNN)特征提取器,在此不作限定。
步骤S102,将所述第一个全连接层的特征输入至全连接LSTM进行时序建模,将所述最后一个卷积层的特征输入至卷积LSTM进行时序建模。
步骤S103,将经过所述全连接LSTM进行时序建模后的特征和经过所述卷积LSTM进行时序建模后的特征输入至联合优化层。
可选的,将经过所述全连接LSTM进行时序建模后的特征和经过所述卷积LSTM进行时序建模后的特征输入至联合优化层包括:
将经过所述全连接LSTM进行时序建模后的特征输入至所述全连接LSTM附属的注意力机制,将经过所述卷积LSTM进行时序建模后的特征输入至所述卷积LSTM附属的注意力机制;
将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述卷积LSTM附属的注意力机制处理后的特征输入至联合优化层。
其中,长短期记忆网络(Long Short-Term Memory,LSTM)是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM可以进行长时序建模,避免梯度消失所带来的问题。因此,可以选取LSTM进行时序建模,为了区分两种LSTM的不同,可以将最原始的LSTM(即现有的LSTM)称为全连接LSTM。
在本发明实施例中,全连接LSTM可以由以下公式表示:
其中,ft fc,分别表示全连接LSTM的输入门、遗忘门和输出门。和分别表示t时刻的输入(即第一个全连接层的特征)和状态,是t-1时刻的隐含状态。Wfc和Ufc分别表示输入的权重向量和隐含状态的权重向量,bfc表示偏置。σ(·)表示sigmoid函数。根据上述公式(1)至(6)可以进一步的更新状态。
全连接LSTM上的权重可以根据视频帧(即RGB帧)重要程度的不同赋予不同的权重,对最终的标签信息贡献值大的帧则赋予大的权重,对最终的标签信息贡献值小的帧则赋予小的权重。假如全连接LSTM在t时刻的输出为那么全连接LSTM附属的注意力机制可以表示为:
其中,和分别表示要学习的权重和偏置,表示注意力权重,公式(8)是SoftMax函数,以将注意力权重标准化,然后将标准化的权重与全连接LSTM的输出门相乘。如图2所示是在时间步上展开的注意力结构,CNN特征提取器先对RGB帧进行特征提取,将提取的特征(即图2中的CNN Features)输入LSTM(包括全连接LSTM和卷积LSTM),将经过LSTM时序建模后的特征输入其附属的注意力机制(即图2中的ATTN),然后将经过LSTM时序建模后的特征与经过LSTM附属的注意力机制处理后的特征(即图2中的ATTN Features)相乘,并将不同时刻相乘的值进行求和(即图2中的SUM)。
由于全连接LSTM缺乏处理空间信息的能力,因此可以在网络结构中进入卷积LSTM。卷积LSTM每一个时间步的输入和输出都是三维的张量,与全连接LSTM最大的区别就是将全连接LSTM的点乘操作变成了卷积。卷积LSTM可以由以下公式表示:
其中,分别表示卷积LSTM的输入门、遗忘门和输出门。和分别表示t时刻的输入(即最后一个卷积层的特征)和状态,是t-1时刻的隐含状态。Wconv和Uconv分别表示输入的权重向量和隐含状态的权重向量,bconv表示偏置。σ(·)表示sigmoid函数。根据上述公式(10)至(15)可以进一步的更新状态。
卷积LSTM附属的注意力机制可以表示如下:
卷积LSTM附属的注意力机制与全连接LSTM附属的注意力机制最大的不同在于将点乘换成了卷积操作,激活函数也由tanh换成了ReLU,卷积LSTM附属的注意力机制不仅可以关注到重要的帧,还可以关注到同一帧上的不同位置。
步骤S104,通过所述联合优化层对所述视频的RGB帧进行行为识别。
在本发明实施例中,全连接LSTM的输出和卷积LSTM的输出共享同一个分类器(即联合优化层),通过该分类器可以对视频的RGB帧进行行为识别,从而识别出视频中人体行为的类别。其中,两个特征共享同一个分类器可以使得训练的分类器更健壮。
在本发明实施例中,训练分类器(即联合优化层)所选取的损失函数可以为交叉熵损失,表示如下:
在训练时可以通过优化函数使得上述损失函数越来越小,优化分类器的参数,从而使得学习的分类器更加精确,使用优化好的分类器对视频中的人体行为进行识别。其中,所述优化函数可以为Adam优化函数,学习率为0.001。
可选的,所述联合优化层包括全连接层、dropout层和SoftMax层。
其中,dropout层可以防止过拟合。特征经过SoftMax层得到的是一个概率矩阵,一个行为对应多个score,多个score中的最大值所对应的类别即为视频中人体行为的类别。由于本发明实施例是将经过全连接LSTM附属的注意力机制处理后的特征和经过卷积LSTM附属的注意力机制处理后的特征输入至联合优化层,即将两个特征输入联合优化层,那么每个特征经过SoftMax层都会得到score,那么可以将表示同一类别的两个score(经过全连接LSTM附属的注意力机制处理后的特征经过SoftMax层后得到的score和经过卷积LSTM附属的注意力机制处理后的特征经过SoftMax层后得到的score)相乘,将乘积作为相应类别的总score,即上述概率矩阵中的元素为总score。
本发明实施例通过双流LSTM及其附属的注意力机制对从RGB帧提取的第一全连接层的特征和最后一个卷积层的特征进行处理,从时间和空间两方面对视频内容赋予不同的权重,从而可排除复杂的背景技术的干扰,提高时序建模能力,进而提高了行为识别的准确性。
参见图3,是本发明实施例二提供的基于视频的行为识别方法的实现流程示意图,如图所示该行为识别方法可以包括以下步骤:
步骤S301,通过特征提取器对视频的RGB帧提取第一个全连接层的特征和最后一个卷积层的特征。
该步骤与步骤S101相同,具体可参见步骤S101的相关描述,在此不再赘述。
步骤S302,将所述第一个全连接层的特征输入至全连接LSTM进行时序建模,将所述最后一个卷积层的特征输入至卷积LSTM进行时序建模。
该步骤与步骤S102相同,具体可参见步骤S102的相关描述,在此不再赘述。
步骤S303,将经过所述全连接LSTM进行时序建模后的特征输入至所述全连接LSTM附属的注意力机制,将经过所述卷积LSTM进行时序建模后的特征输入至所述卷积LSTM附属的注意力机制。
在本发明实施例中,通过全连接LSTM附属的注意力机制和卷积LSTM附属的注意力机制可以同时注意到时间和空间上的信息,从而排除背景信息的干扰。
步骤S304,将经过所述卷积LSTM附属的注意力机制处理后的特征输入至池化层。
在本发明实施例中,所述池化层可以降低经过卷积LSTM附属的注意力机制处理后的特征的维度,从而保证经过卷积LSTM附属的注意力机制处理后的特征的维度与经过全连接LSTM附属的注意力机制处理后的特征的维度相同。
步骤S305,将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述池化层处理后的特征输入至联合优化层。
在本发明实施例中,由于经过全连接LSTM附属的注意力机制处理后的特征的维度与经过池化层处理后的特征的维度相同,此时可以将维度相同两个特征输入至联合优化层,从而通过联合优化层对视频的RGB帧进行行为识别。
步骤S306,通过所述联合优化层对所述视频的RGB帧进行行为识别。
该步骤与步骤S104相同,具体可参见步骤S104的相关描述,在此不再赘述。
本发明实施例将经过卷积LSTM附属的注意力机制处理后的特征输入至池化层,从而可保证经过卷积LSTM附属的注意力机制处理后的特征的维度与经过全连接LSTM附属的注意力机制处理后的特征的维度相同。
参见图4,是本发明实施例三提供的基于视频的行为识别装置的示意图,为了便于说明,仅示出了与本发明实施例相关的部分。
所述行为识别装置包括:
特征提取模块41,用于通过特征提取器对视频的RGB帧提取第一个全连接层的特征和最后一个卷积层的特征;
时序建模模块42,用于将所述第一个全连接层的特征输入至全连接长短期记忆网络LSTM进行时序建模,将所述最后一个卷积层的特征输入至卷积LSTM进行时序建模;
特征输入模块43,用于将经过所述全连接LSTM进行时序建模后的特征和经过所述卷积LSTM进行时序建模后的特征输入至联合优化层;
行为识别模块44,用于通过所述联合优化层对所述视频的RGB帧进行行为识别。
可选的,所述特征输入模块43包括:
第一输入单元,用于将经过所述全连接LSTM进行时序建模后的特征输入至所述全连接LSTM附属的注意力机制,将经过所述卷积LSTM进行时序建模后的特征输入至所述卷积LSTM附属的注意力机制;
第二输入单元,用于将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述卷积LSTM附属的注意力机制处理后的特征输入至联合优化层。
可选的,所述特征输入模块43还包括:
第三输入单元,用于将经过所述卷积LSTM附属的注意力机制处理后的特征输入至池化层。
可选的,所述第二输入单元,具体用于将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述池化层处理后的特征输入至所述联合优化层。
可选的,所述联合优化层包括全连接层、dropout层和SoftMax层。
本发明实施例提供的行为识别装置可以应用在前述方法实施例一和实施例二中,详情参见上述方法实施例一和实施例二的描述,在此不再赘述。
图5是本发明实施例四提供的终端设备的示意图。如图5所示,该实施例的终端设备5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个行为识别方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块41至44的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。例如,所述计算机程序52可以被分割成特征提取模块、时序建模模块、特征输入模块以及行为识别模块,各模块具体功能如下:
特征提取模块,用于通过特征提取器对视频的RGB帧提取第一个全连接层的特征和最后一个卷积层的特征;
时序建模模块,用于将所述第一个全连接层的特征输入至全连接长短期记忆网络LSTM进行时序建模,将所述最后一个卷积层的特征输入至卷积LSTM进行时序建模;
特征输入模块,用于将经过所述全连接LSTM进行时序建模后的特征和经过所述卷积LSTM进行时序建模后的特征输入至联合优化层;
行为识别模块,用于通过所述联合优化层对所述视频的RGB帧进行行为识别。
可选的,所述特征输入模块包括:
第一输入单元,用于将经过所述全连接LSTM进行时序建模后的特征输入至所述全连接LSTM附属的注意力机制,将经过所述卷积LSTM进行时序建模后的特征输入至所述卷积LSTM附属的注意力机制;
第二输入单元,用于将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述卷积LSTM附属的注意力机制处理后的特征输入至联合优化层。
可选的,所述特征输入模块还包括:
第三输入单元,用于将经过所述卷积LSTM附属的注意力机制处理后的特征输入至池化层。
可选的,所述第二输入单元,具体用于将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述池化层处理后的特征输入至所述联合优化层。
可选的,所述联合优化层包括全连接层、dropout层和SoftMax层。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是终端设备5的示例,并不构成对终端设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。终端设备应当理解,在本发明实施例中,所述处理器401可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元,例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备,例如所述终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于视频的行为识别方法,其特征在于,所述行为识别方法包括:
通过特征提取器对视频的RGB帧提取第一个全连接层的特征和最后一个卷积层的特征;
将所述第一个全连接层的特征输入至全连接长短期记忆网络LSTM进行时序建模,将所述最后一个卷积层的特征输入至卷积LSTM进行时序建模;
将经过所述全连接LSTM进行时序建模后的特征和经过所述卷积LSTM进行时序建模后的特征输入至联合优化层;
通过所述联合优化层对所述视频的RGB帧进行行为识别。
2.如权利要求1所述的行为识别方法,其特征在于,将经过所述全连接LSTM进行时序建模后的特征和经过所述卷积LSTM进行时序建模后的特征输入至联合优化层包括:
将经过所述全连接LSTM进行时序建模后的特征输入至所述全连接LSTM附属的注意力机制,将经过所述卷积LSTM进行时序建模后的特征输入至所述卷积LSTM附属的注意力机制;
将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述卷积LSTM附属的注意力机制处理后的特征输入至联合优化层。
3.如权利要求2所述的行为识别方法,其特征在于,在将经过所述卷积LSTM附属的注意力机制处理后的特征输入至联合优化层之前,还包括:
将经过所述卷积LSTM附属的注意力机制处理后的特征输入至池化层。
4.如权利要求3所述的行为识别方法,其特征在于,所述将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述卷积LSTM附属的注意力机制处理后的特征输入至联合优化层包括:
将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述池化层处理后的特征输入至所述联合优化层。
5.如权利要求1至4任一项所述的行为识别方法,其特征在于,所述联合优化层包括全连接层、dropout层和SoftMax层。
6.一种基于视频的行为识别装置,其特征在于,所述行为识别装置包括:
特征提取模块,用于通过特征提取器对视频的RGB帧提取第一个全连接层的特征和最后一个卷积层的特征;
时序建模模块,用于将所述第一个全连接层的特征输入至全连接长短期记忆网络LSTM进行时序建模,将所述最后一个卷积层的特征输入至卷积LSTM进行时序建模;
特征输入模块,用于将经过所述全连接LSTM进行时序建模后的特征和经过所述卷积LSTM进行时序建模后的特征输入至联合优化层;
行为识别模块,用于通过所述联合优化层对所述视频的RGB帧进行行为识别。
7.如权利要求6所述的行为识别装置,其特征在于,所述特征输入模块包括:
第一输入单元,用于将经过所述全连接LSTM进行时序建模后的特征输入至所述全连接LSTM附属的注意力机制,将经过所述卷积LSTM进行时序建模后的特征输入至所述卷积LSTM附属的注意力机制;
第二输入单元,用于将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述卷积LSTM附属的注意力机制处理后的特征输入至联合优化层;
所述特征输入模块还包括:
第三输入单元,用于将经过所述卷积LSTM附属的注意力机制处理后的特征输入至池化层;
所述第二输入单元,具体用于将经过所述全连接LSTM附属的注意力机制处理后的特征和经过所述池化层处理后的特征输入至所述联合优化层。
8.如权利要求6或7所述的行为识别装置,其特征在于,所述联合优化层包括全连接层、dropout层和SoftMax层。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述行为识别方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述行为识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810707711.0A CN110738070A (zh) | 2018-07-02 | 2018-07-02 | 基于视频的行为识别方法、行为识别装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810707711.0A CN110738070A (zh) | 2018-07-02 | 2018-07-02 | 基于视频的行为识别方法、行为识别装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110738070A true CN110738070A (zh) | 2020-01-31 |
Family
ID=69233348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810707711.0A Pending CN110738070A (zh) | 2018-07-02 | 2018-07-02 | 基于视频的行为识别方法、行为识别装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738070A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291673A (zh) * | 2020-02-04 | 2020-06-16 | 贵州省人民医院 | 一种预测时序信号分类的方法、装置、服务器及存储介质 |
CN111310676A (zh) * | 2020-02-21 | 2020-06-19 | 重庆邮电大学 | 基于CNN-LSTM和attention的视频动作识别方法 |
CN111414876A (zh) * | 2020-03-26 | 2020-07-14 | 西安交通大学 | 一种基于时序引导空间注意力的暴力行为识别方法 |
CN112183601A (zh) * | 2020-09-22 | 2021-01-05 | 中国人民解放军63921部队 | 空间目标分类方法、装置和存储介质 |
CN113627382A (zh) * | 2021-08-24 | 2021-11-09 | 北京电信易通信息技术股份有限公司 | 面向视频会议***的用户行为识别方法、***及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615983A (zh) * | 2015-01-28 | 2015-05-13 | 中国科学院自动化研究所 | 基于递归神经网络和人体骨架运动序列的行为识别方法 |
CN106709461A (zh) * | 2016-12-28 | 2017-05-24 | 中国科学院深圳先进技术研究院 | 基于视频的行为识别方法及装置 |
CN107944409A (zh) * | 2017-11-30 | 2018-04-20 | 清华大学 | 视频分析方法及装置 |
KR101872811B1 (ko) * | 2016-08-18 | 2018-06-29 | 고려대학교 산학협력단 | 행동 패턴 인식 장치, 행동 패턴 인식 방법 및 행동 패턴 분류기 생성 방법 |
-
2018
- 2018-07-02 CN CN201810707711.0A patent/CN110738070A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615983A (zh) * | 2015-01-28 | 2015-05-13 | 中国科学院自动化研究所 | 基于递归神经网络和人体骨架运动序列的行为识别方法 |
KR101872811B1 (ko) * | 2016-08-18 | 2018-06-29 | 고려대학교 산학협력단 | 행동 패턴 인식 장치, 행동 패턴 인식 방법 및 행동 패턴 분류기 생성 방법 |
CN106709461A (zh) * | 2016-12-28 | 2017-05-24 | 中国科学院深圳先进技术研究院 | 基于视频的行为识别方法及装置 |
CN107944409A (zh) * | 2017-11-30 | 2018-04-20 | 清华大学 | 视频分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
LEI WANG ET AL.: "Human Action Recognition by Learning Spatio-Temporal Features With Deep Neural Networks", 《IEEE ACCESS》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291673A (zh) * | 2020-02-04 | 2020-06-16 | 贵州省人民医院 | 一种预测时序信号分类的方法、装置、服务器及存储介质 |
CN111310676A (zh) * | 2020-02-21 | 2020-06-19 | 重庆邮电大学 | 基于CNN-LSTM和attention的视频动作识别方法 |
CN111414876A (zh) * | 2020-03-26 | 2020-07-14 | 西安交通大学 | 一种基于时序引导空间注意力的暴力行为识别方法 |
CN112183601A (zh) * | 2020-09-22 | 2021-01-05 | 中国人民解放军63921部队 | 空间目标分类方法、装置和存储介质 |
CN113627382A (zh) * | 2021-08-24 | 2021-11-09 | 北京电信易通信息技术股份有限公司 | 面向视频会议***的用户行为识别方法、***及存储介质 |
CN113627382B (zh) * | 2021-08-24 | 2022-02-22 | 北京电信易通信息技术股份有限公司 | 面向视频会议***的用户行为识别方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738070A (zh) | 基于视频的行为识别方法、行为识别装置及终端设备 | |
CN110929807B (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN109345553B (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
CN111985229B (zh) | 一种序列标注方法、装置及计算机设备 | |
US11544510B2 (en) | System and method for multi-modal image classification | |
US20220414439A1 (en) | Neuromorphic Synthesizer | |
CN112257578B (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
CN108228844A (zh) | 一种图片筛选方法及装置、存储介质、计算机设备 | |
CN110119733A (zh) | 书页识别方法及装置、终端设备、计算机可读存储介质 | |
US20240037187A1 (en) | Video domain adaptation via contrastive learning | |
JPWO2019146057A1 (ja) | 学習装置、実写画像分類装置の生成システム、実写画像分類装置の生成装置、学習方法及びプログラム | |
CN110796482A (zh) | 用于机器学习模型的金融数据分类方法、装置及电子设备 | |
CN112990318A (zh) | 持续学习方法、装置、终端及存储介质 | |
CN113255557A (zh) | 一种基于深度学习的视频人群情绪分析方法及*** | |
CN113192639A (zh) | 信息预测模型的训练方法、装置、设备及存储介质 | |
CN116186326A (zh) | 视频推荐方法、模型训练方法、电子设备及存储介质 | |
CN111538852A (zh) | 多媒体资源处理方法、装置、存储介质及设备 | |
CN114360053A (zh) | 一种动作识别方法、终端及存储介质 | |
CN113449840A (zh) | 神经网络训练方法及装置、图像分类的方法及装置 | |
CN114428842A (zh) | 一种扩充问答库的方法、装置、电子设备及可读存储介质 | |
CN112101109B (zh) | 人脸关键点检测模型训练方法、装置、电子设备和介质 | |
CN113762237B (zh) | 文本图像处理方法、装置、设备及存储介质 | |
CN115700845A (zh) | 人脸识别模型训练方法、人脸识别方法、装置及相关设备 | |
JP7236501B2 (ja) | 文書類似度学習に基づくディープラーニングモデルの転移学習方法およびコンピュータ装置 | |
CN113553884B (zh) | 手势识别方法、终端设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |
|
RJ01 | Rejection of invention patent application after publication |