0 引言

    人體行為識別是計算機視覺領域的一個重要的課題,。其在行為檢測、視頻監(jiān)控等領域都有著廣泛的應用價值,。與單純的圖片識別不同,，人體行為識別會受到諸多因素的干擾，例如光照,、背景等,。傳統(tǒng)方法中，通常通過手動設計某些特定的特征,，對數(shù)據(jù)集中特定的動作進行識別,，典型的有HOG/HOF^[1]等。文獻[2]提出一種基于稠密光流軌跡與稀疏編碼算法的行為識別方法，將融合框架提取出的行為特征進行處理后,，送入支持向量機中得到模型進行分類,；文獻[3]利用顯著性檢測獲取到動作主體位置并提取稠密軌跡，采用Fisher Vector去增強特征,，再利用SVM進行識別,；文獻[4]利用序列化的思想提取骨骼特征矢量，利用SVM訓練并識別靜態(tài)特征,。然而,，傳統(tǒng)方法在面對諸多與現(xiàn)實場景接近的情況時，往往很難取得好的識別效果^[5],。

    近些年,，隨著人工智能技術(shù)的崛起，深度學習模型也被應用到了人體行為識別任務中去,。利用深度學習模型去自動提取特征,，良好地避免了人工設計特征過程中的盲目性和差異性。深度學習模型的一種——卷積神經(jīng)網(wǎng)絡,，通過對輸入數(shù)據(jù)的卷積操作,，逐層提取特征，從而對圖像進行識別分類,，其在圖像識別領域已經(jīng)取得了優(yōu)異的成果,。2012年的AlexNet網(wǎng)絡^[6]，將ImageNet數(shù)據(jù)集上的top-5錯誤率降低到了16.4%,；2015年的Inception v2網(wǎng)絡^[7],，提出了批量歸一化的方法；2017年的SeNet網(wǎng)絡^[8],，再次取得了ILSVRC比賽的冠軍,。

    而針對視頻人體行為識別問題，由于幀與幀之間具有著時間相關(guān)性,，因此,，單純將提取到的RGB數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡進行分類并不能得到一個很好的結(jié)果。文獻[9]將視頻數(shù)據(jù)的稠密光流與RGB數(shù)據(jù)分別送入CNN進行訓練,，使網(wǎng)絡良好處理了時空信息,，再將雙流網(wǎng)絡各自得到的結(jié)果進行融合；文獻[10]將數(shù)據(jù)通過一組硬連接內(nèi)核進行處理后,，利用3D卷積網(wǎng)絡訓練提取信息進行人體行為識別,。

    除此之外，遞歸神經(jīng)網(wǎng)絡(RNN)也經(jīng)常被采用來處理此類問題,。RNN是一個具有循環(huán)的網(wǎng)絡,，可以被看作對同一神經(jīng)網(wǎng)絡的多次賦值，其允許了信息的持久化。然而,，RNN有著梯度消失的問題,，為此HOCHREITER S等人提出了一個新的RNN單元，長短期記憶遞歸神經(jīng)網(wǎng)絡單元^[11],，通過刻意的設計避免了長期依賴問題的出現(xiàn),。文獻[12]首次將CNN與LSTM進行結(jié)合運用在了視頻識別與視頻描述領域；文獻[13]用3D卷積提取數(shù)據(jù)特征,，再送入LSTM網(wǎng)絡中,，用于行為識別。

    本文設計了一種采用批歸一化方法的CNN與LSTM結(jié)合的網(wǎng)絡,，將批歸一化處理運用到了設計的CNN中,，通過全連接層，送入LSTM單元對得到的特征序列進行處理,，采用Softmax層映射類別,。算法提取視頻數(shù)據(jù)的RGB圖像作為空間流輸入，光流場圖像作為時間流輸入,，再將各自得出的分類結(jié)果進行加權(quán)融合,，得出最終的分類結(jié)果，用于人體行為識別,。該算法在KTH視頻數(shù)據(jù)集上的識別率達到了95.8%,，可有效地運用在人體行為識別任務上。

1 模型結(jié)構(gòu)

1.1 雙流模型框架

    視頻數(shù)據(jù)具有時間和空間兩部分的特性,?？臻g部分RGB圖像包含了物體的外觀信息，時間部分光流場圖像包含了物體的運動信息,。因此,，分別提取出視頻的光流場圖像與RGB圖像作為輸入數(shù)據(jù),得出各自分類結(jié)果后進行加權(quán)融合，網(wǎng)絡結(jié)構(gòu)如圖1所示,。

1.2 卷積神經(jīng)網(wǎng)絡

    卷積神經(jīng)網(wǎng)絡通常由卷積層,、池化層、全連接層堆疊而成,。卷積層利用多個不同的卷積核，提取目標的特征,，生成特征圖,；池化層用來進行下采樣，將相鄰特征圖的特征進行合并,，減小維度,；全連接層起到將學到的分布式特征映射到樣本標記空間的作用。

    然而深度神經(jīng)網(wǎng)絡在訓練時，各層網(wǎng)絡的輸入分布會受到上一層的影響,，隨著網(wǎng)絡的不斷加深,，網(wǎng)絡層的微小變動產(chǎn)生的影響會被放大，從而導致梯度消失,、梯度爆炸,、網(wǎng)絡收斂到一個局部最優(yōu)值等問題。為此,，本文將批歸一化思想^[7]從圖像分類領域引入到了行為識別領域,，對網(wǎng)絡輸入的樣本進行小批量歸一化處理。

    傳統(tǒng)的批歸一化操作公式如下:

    而對于此式,，由于需要對全部的訓練樣本集合進行操作,，計算其協(xié)方差矩陣，計算量極其龐大,。對此,，文獻[7]提出了兩點改進措施：

    (1)輸入數(shù)據(jù)的每一維進行獨立的批歸一化處理；

    (2)采用小批量（mini-batch）,。

    對于有d維輸入x=(x⁽¹⁾…x^(d))的神經(jīng)網(wǎng)絡層,，利用式(3)去歸一化每一維：

    式(3)的期望與方差在每個mini-batch上對每層進行運算得出。該歸一化操作能加速收斂,，即使特征之間不具有相關(guān)性,。并且通過mini-batch的方式，批歸一化所需的信息能被運用在了反向傳播之中,。

    同時,，對每一個輸入?yún)?shù)x^(k)都引入一對參數(shù)λ^(k)和β^(k)，如式(4)所示：

1.3 長短期記憶神經(jīng)網(wǎng)絡

    人體動作識別的數(shù)據(jù)是一組連續(xù)的數(shù)據(jù),，相鄰幀之間有著極大的相關(guān)性,，因此遞歸神經(jīng)網(wǎng)絡被用來處理這種問題。傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡包含輸入序列X,，隱藏序列H,，輸出序列Y。其隱藏層中包含著時間序列的歷史信息,，前向公式可表述為：

1.4 融合模型

    本文的CNN結(jié)構(gòu)由卷積層,、池化層、全連接層堆疊而成,，并在每個卷積層之后加入batchnorm操作進行小批量歸一化,。

    實驗數(shù)據(jù)采用25 f/s的圖像序列，對提取的每幀圖片,，將尺寸擴充為227×227,。輸入數(shù)據(jù)的維度為25×227×227×3,。25為視頻數(shù)據(jù)幀數(shù)，227×227為圖片尺寸,，3為RGB圖片的3個通道,。融合模型的CNN部分如圖2所示。

    圖2中上方的是特征圖的維度大小,，下方的是神經(jīng)網(wǎng)絡的操作層,。人體行為識別CNN部分的模型一共有5個卷積層，每個卷積層后都有一個非線性激活函數(shù)ReLU去增加非線性,，同時,，每個卷積層之后也都有一個batchnorm層與scale層組合共同完成小批量歸一化操作。CNN的最后是一個全連接層,，將輸入的數(shù)據(jù)進行矢量化操作后,，再送入LSTM網(wǎng)絡中。

    數(shù)據(jù)輸入LSTM中后,，在長短期遞歸神經(jīng)網(wǎng)絡中按時序做遞歸運算,，每次遞歸運算的結(jié)果是之前所有特征和當前特征的總和。本文采用一層的LSTM模型,，結(jié)構(gòu)如圖3所示,。

    融合后的模型如圖4所示，將視頻數(shù)據(jù)的光流場與RGB形式分別作為時間與空間兩種數(shù)據(jù)流輸入設計的網(wǎng)絡中進行分別的訓練,，再將各自得到的分類結(jié)果進行加權(quán)融合,，最終用于人體行為識別任務。

2 實驗過程

2.1 數(shù)據(jù)集

    本文使用公開的KTH視頻數(shù)據(jù)集作為實驗數(shù)據(jù)來檢驗算法的效果,，部分動作的示意圖如圖5所示,。數(shù)據(jù)集包含由固定攝像機拍攝的600個動作視頻。視頻的幀數(shù)為25 f/s,，視頻每幀圖片的分辨率都為160像素×120像素,。共有25名不同的實驗對象，4個不同的實驗場景：室外,、室內(nèi),、室外尺度變化、室外著裝變化,，6種不同的人體行為：散步,、慢跑、奔跑,、揮手,、拍手、拳擊,。

2.2 實驗結(jié)果與分析

    本文在Linux系統(tǒng)下搭建的平臺上用單核GTX 1070 GPU進行訓練,。將KTH數(shù)據(jù)集以動作類別進行劃分，每個動作的前80%作為訓練集,，后20%作為測試集,。視頻數(shù)據(jù)的光流場圖像與RGB圖像被預先提取出來，提取出的每張圖片被擴充為227×227,，在保證特征不損失的情況下,，為加載該訓練網(wǎng)絡的CNN部分在ImageNet數(shù)據(jù)集下訓練30萬次的預訓練模型參數(shù)做準備，用以增強模型的魯棒性,，防止過擬合,，并加速收斂。

    圖6顯示了訓練過程中,，光流場時間網(wǎng)絡和RGB空間網(wǎng)絡隨著訓練次數(shù)的增加,，對訓練數(shù)據(jù)識別準確率的變化情況。從圖中可以看出,，在空間流上,，當?shù)螖?shù)接近10 000次時，準確率達到86%,，趨于穩(wěn)定,，隨著迭代的進行，準確率緩慢上升,；在時間流上,，當?shù)螖?shù)接近16 000次時，準確率達到90%以上,，隨著迭代的進行,，準確率增長趨于平緩，收斂近乎飽和,。

    在得到時空網(wǎng)絡各自訓練出的模型后,，將雙流的分類結(jié)果進行加權(quán)融合。圖7中,， RGB空間網(wǎng)絡分類結(jié)果的權(quán)重以0.05的步長進行增加,，逐步提高占比。

    可以看出,，當純粹以空間流網(wǎng)絡或者時間流網(wǎng)絡進行人體行為識別時,，時間流網(wǎng)絡提取出的運動信息比空間流網(wǎng)絡提取出的外觀與背景信息具有更高的識別率，這也說明了在行為識別任務中,，光流數(shù)據(jù)所包含的運動信息比RGB數(shù)據(jù)包含的外觀信息更為有效,。當識別的權(quán)重比為RGB：光流場=0.35：0.65時，本文設計的模型達到最好的識別效果,，以一定權(quán)重比融合的時空雙流神經(jīng)網(wǎng)絡能有效改善單獨的網(wǎng)絡在識別上的準確率,。

    在表1中,，本文選取了融合的時空雙流網(wǎng)絡在KTH數(shù)據(jù)集上得到的最好的識別結(jié)果與已有的一些算法模型進行了對比。

    可以看出,，本文設計的基于批歸一化的卷積神經(jīng)網(wǎng)絡與LSTM結(jié)合的網(wǎng)絡結(jié)構(gòu)在將其在RGB空間圖像與光流場時間圖像分別得到的分類結(jié)果以0.35：0.65的比例進行加權(quán)融合之后,，可以得到優(yōu)于文獻[2]與文獻[3]提出的兩種傳統(tǒng)算法的結(jié)果。在和同樣是以深度學習為基礎的算法進行對比時,，本文設計的模型結(jié)構(gòu)同樣也優(yōu)于文獻[10]與文獻[13]提出的兩種算法,。這充分說明本文提出的算法在人體行為識別任務上具有可行性。

    表2所示的混淆矩陣對測試集中6種不同的動作行為的識別結(jié)果做了可視化,，對角線元素表示正確識別率,。可以看出,，在KTH數(shù)據(jù)集中模型對“拳擊”和“揮手”動作的識別率最高,，由于“拍手”與“揮手”之間有部分的相似性，因此,，有部分“拍手”被識別成了“揮手”,。 “慢跑”和“散步”、“跑步”之間相似性較高,，因此,，這三者之間產(chǎn)生了一些誤識別率。但就總體而言模型依舊具有良好的泛化能力和魯棒性,。

3 結(jié)論

    本文提出了一種采用批歸一化的卷積神經(jīng)網(wǎng)絡與LSTM網(wǎng)絡結(jié)合的深度學習網(wǎng)絡結(jié)構(gòu),。采用視頻數(shù)據(jù)的RGB圖像與光流場圖像分別作為空間流網(wǎng)絡輸入與時間流網(wǎng)絡輸入，再將時空雙流網(wǎng)絡分別得到的分類結(jié)果以一定的權(quán)重比例進行融合,。本文模型在KTH數(shù)據(jù)集的測試集上的識別率達到了95.8%,。相較于文中對比的兩種傳統(tǒng)方法與兩種深度學習方法，本文模型能更好地提取視頻中的時序特征與空間特征,，識別率較好,。整個模型基于深度神經(jīng)網(wǎng)絡，無需先驗經(jīng)驗,，具有良好的泛化性與實用性,。

參考文獻

[1] LAPTEV I，MARSZALEK M,，SCHMID C,，et al.Learning realistic human actions from movies[C].IEEE Conference on Computer Vision and Pattern Recognition，2008.CVPR 2008.IEEE,，2008：1-8.

[2] 趙曉健,，曾曉勤.基于稠密光流軌跡和稀疏編碼算法的行為識別方法[J].計算機應用，2016,，36(1)：181-187.

[3] 鹿天然,，于鳳芹,，楊慧中，等.基于顯著性檢測和稠密軌跡的人體行為識別[J].計算機工程與應用,，2018,，54(4)：163-167.

[4] 胡青松，張亮.人體行為序列化識別算法研究[J].電子技術(shù)應用,，2018，44(4)：122-125.

[5] 羅海波,，許凌云,，惠斌，等.基于深度學習的目標跟蹤方法研究現(xiàn)狀與展望[J].紅外與激光工程,，2017(5)：6-12.

[6] KRIZHEVSKY A,，SUTSKEVER I，HINTON G E.Imagenet classification with deep convolutional neural networks[C].Advances in Neural Information Processing Systems,，2012：1097-1105.

[7] IOFFE S,，SZEGEDY C.Batch normalization: accelerating deep network training by reducing internal covariate shift[C].Proceedings of the 32nd International Conference on Machine Learning，2015：448-456.

[8] HU J,，SHEN L,，SUN G.Squeeze-and-excitation networks[J].arXiv preprint arXiv：1709.01507，2017,，7.

[9] WANG L,，XIONG Y，WANG Z,，et al.Temporal segment networks：towards good practices for deep action recognition[C].European Conference on Computer Vision.Springer,，Cham，2016：20-36.

[10] JI S,，XU W,，YANG M，et al.3D convolutional neural networks for human action recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,，2013,，35(1)：221-231.

[11] HOCHREITER S，SCHMIDHUBER J.Long short-term memory[J].Neural Computation,，1997,，9(8)：1735-1780.

[12] DONAHUE J，ANNE HENDRICKS L,，GUADARRAMA S,，et al.Long-term recurrent convolutional networks for visual recognition and description[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015：2625-2634.

[13] 秦陽,，莫凌飛,，郭文科,，等.3D CNNs與LSTMs在行為識別中的組合及其應用[J].測控技術(shù)，2017(2)：28-32.

作者信息:

黃友文,，萬超倫

(江西理工大學 信息工程學院,，江西 贛州341000)