盧 健，趙 博，張 奇，李萱峰

(西安工程大學 電子信息學院，陜西 西安 710048)

0 引 言

人體動作識別作為計算機視覺領域的研究熱點之一，是智能監(jiān)控、智慧醫(yī)療、人機交互等行業(yè)的基礎性手段，具有很高的研究價值[1-2]。目前，隨著監(jiān)控設備的普及，RGB數(shù)據(jù)的獲取得到了有效的保障?；赗GB數(shù)據(jù)的動作識別方法常采用時空興趣點[3]、運動軌跡[4]、雙流法[5]、光流法[6]等作為特征分析進行識別。但上述方法在特征設計的過程中，容易受到光照、遮擋、服飾等背景因素的影響，識別準確率較低，難以滿足實際要求。為了減少背景環(huán)境和周圍噪聲的干擾，更清晰簡潔地描述出人體的動作變化，基于骨架數(shù)據(jù)的人體動作識別方法引起了廣泛關注[7-9]。早期的動作識別方法提取特征的方式是手工設計的：文獻[10]利用關節(jié)之間的相對位置表征空間信息，傅里葉時間金字塔表示時間動態(tài)信息，實現(xiàn)了對動作的準確識別；王婧等采用了將人體關節(jié)點的旋轉(zhuǎn)量和人體姿態(tài)矩陣相融合的方法進行動作預測，此方法有效地避免了動作類之間相似度干擾，提高了準確度[11]。雖然上述方法擁有較高的時間效率，但是特征提取過程復雜，在復雜多變的環(huán)境下，模型的魯棒性較弱，適用范圍受到很大限制。隨著卷積神經(jīng)網(wǎng)絡(convolutional neural networks, CNN)[12]在圖像分類領域的成功應用，研究者開始考慮把CNN用于視頻分類：文獻[13]通過雙流卷積網(wǎng)絡提取不同的特征，然后將2個分支的分數(shù)進行融合；LI等則將每一個關節(jié)點都當作一個通道，使用CNN自動從骨架序列中學習分層的共觀特征[14]。然而，CNN通常只能提取短期視頻序列的時空信息，無法學習長期視頻序列信息。鑒于長短期記憶(long short term memory, LSTM)[15]網(wǎng)絡在處理長時間序列問題上的良好表現(xiàn)，眾多學者將CNN和LSTM網(wǎng)絡進行融合學習:DONAHUE等根據(jù)CNN和LSTM具有互補性原則，提出CNN與LSTM并行網(wǎng)絡模型，利用時空信息進行特征融合和檢測[16]；LI等先用CNN提取空間信息，再用LSTM提取時間信息，最后通過softmax層輸出結果，取得了不錯的結果[17]。雖然LSTM網(wǎng)絡對長序列數(shù)據(jù)有較強的處理能力，但是人體的運動對不同骨架關鍵點的表征能力不同：對跳繩而言，起主要作用的關鍵點是腳的上下運動和手臂的旋轉(zhuǎn)運動；對坐下這個動作而言，起主要作用的關鍵點是臀部的上下運動。對此，楊世強等構建了由靜態(tài)特征和動態(tài)特征組成的融合特征表征人體動作，引入了關鍵幀提取模型以減少計算量，建立了以LSTM神經(jīng)網(wǎng)絡為基礎的神經(jīng)網(wǎng)絡的分類器，并引入注意力機制以及Dropout，進一步提高對于人體動作特征的識別性能[18]。

針對不同的運動對人體骨骼關鍵點的依賴程度，本文提出了一種融合層級注意力機制的二維骨架動作識別方法，利用層級注意力網(wǎng)絡(hierarchical attention network, HAN)[19]分配不同關節(jié)點或不同幀在特征向量中的權重，以此提高動作分類的準確性。研究過程如下：1)利用人體姿態(tài)估計模型OpenPose[20]，從RGB視頻數(shù)據(jù)中提取骨架關節(jié)點數(shù)據(jù)，并對姿態(tài)數(shù)據(jù)預處理；2)在LSTM模型中引入層級注意機制，通過計算關節(jié)點之間的關聯(lián)性分配不同關節(jié)點或不同幀在模型中的權重；3)提出了CNN-HALSTM網(wǎng)絡框架，利用CNN提取局部特征，再利用HALSTM提取上下文相關特征進行學習。該框架集成了基于CNN的功能和基于HALSTM的功能，在空間和長時間建模上保持更好的效果。

1 基于OpenPose的人體姿態(tài)估計

采用姿態(tài)估計方法OpenPose從視頻中提取人體的18個骨架關節(jié)點，通過編碼人體關節(jié)點位置和肢體連接方向的關系實時檢測出圖像中人的2D姿勢。

OpenPose網(wǎng)絡采用的是多階段級聯(lián)雙分支結構，其網(wǎng)絡框架如圖1所示。該框架利用VGG-19網(wǎng)絡提取，得到特征圖F。在第一階段，把特征圖F分別輸入到雙分支網(wǎng)絡中提取關節(jié)點部位(part confidence maps，PAM)和親和度矢量場(part affinity fields，PAF)，然后把預測到的2個信息和原始特征圖F相融合并輸入到下一個階段。通過多次迭代得到符合要求的PAM和PAF，最后采用匈牙利算法來獲取所有部位肢體權重最大化的關節(jié)點連線，得到屬于同一個人體的姿態(tài)信息。

圖 1 OpenPose網(wǎng)絡框架Fig.1 OpenPose network structure

2 數(shù)據(jù)預處理

由于視頻在拍攝過程中會出現(xiàn)光照及遮擋、鏡頭分辨率變化等因素的影響，導致OpenPose在提取骨架關節(jié)點時會出現(xiàn)遺漏、檢測不到等問題。主要表現(xiàn)為缺失點與異常點。

2.1 缺失點

關節(jié)點缺失主要表現(xiàn)在2個方面：1)相鄰幀之間關節(jié)點缺失；2)連續(xù)多幀之間關節(jié)點缺失。為了降低關節(jié)點缺失對識別精度的影響，假設短時間內(nèi)關節(jié)點的移動是勻速的，通過結合相鄰圖像幀內(nèi)的關節(jié)點坐標均值填補缺失的關節(jié)點坐標。

(1)

(2)

2.2 異常點

針對數(shù)據(jù)集中存在異常點、毛刺等情況，利用指數(shù)平滑法對其進行數(shù)據(jù)平滑處理，計算方法如下：

St=ayt+(1-a)St-1

(3)

式中：St為坐標數(shù)據(jù)t的平滑值；yt為坐標數(shù)據(jù)t的真實值；St-1為坐標數(shù)據(jù)t-1的平滑值；a為平滑常數(shù)，設為0.6。圖2為前80幀中右手在拳擊中關節(jié)點的補全、平滑過程。由于視頻數(shù)據(jù)的固有特性，未經(jīng)處理的原始坐標數(shù)據(jù)在一段時間內(nèi)存在坐標缺失和劇烈抖動問題，在進行特征提取和序列建模時導致特征缺失，影響識別效果。經(jīng)過均值填充后的坐標雖一定程度上彌補了信息缺失問題，但仍受到視頻劇烈抖動的影響，所以需要引入坐標平滑策略，在保證信息完整的同時降低這種影響，使得提取到的特征更具有魯棒性。

(a) 右手x坐標

(b) 右手y坐標圖 2 右手關節(jié)在拳擊過程中關節(jié)點補全、 平滑的過程Fig.2 The completion and smoothing process of the right hand joint in boxing activities

3 網(wǎng)絡框架

3.1 CNN模型

CNN在處理關節(jié)點信息時具有局部平移不變性，可以捕獲關節(jié)點之間的局部特征，獲取局部相關性。假設每個關節(jié)點坐標對應詞向量為xi，則關節(jié)點總數(shù)N∈N+的骨架序列向量表示為x1,N，然后將詞向量通過CNN進行特征映射。假設卷積核運算時，核內(nèi)的關節(jié)點個數(shù)為n，則卷積核在骨架坐標序列的第i個坐標上的輸出Ci為

Ci=f(W·xi,i+n-1+b)

(4)

式中：W卷積核的權值矩陣;b為偏置項;f為激活函數(shù)。

3.2 LSTM模型

傳統(tǒng)的RNN網(wǎng)絡由于存在梯度消失和梯度爆炸問題，對長時間序列行為無法做到準確識別。LSTM在RNN中引入了門控單元，包括輸入門、輸出門、遺忘門等，通過門的開關控制序列信息的傳輸，實現(xiàn)了較大范圍的上下文信息的保存與傳輸。計算公式為

ft=σ(Wf·[ht-1,xt]+bf)

(5)

it=σ(Wi·[ht-1,xt]+bi)

(7)

(8)

(9)

ot=σ(Wo·[ht-1,xt]+bo)

(10)

ht=ot⊙tanhCt

(11)

式中：σ(·)和tanh(·)均為激活函數(shù),其中向量tanh(x)=(tanhx1,tanhx2,…,tanhXT)；W為權重參數(shù)；bf、bi、bc、bo為偏置向量；⊙表示按元素相乘；it為輸入門；ft為遺忘門；ot為輸出門；ht為當前時刻輸出；ht-1為前一刻的輸出；Ct為當前時刻記憶單元狀態(tài)；Ct-1為上一時刻記憶單元狀態(tài)。

3.3 多層注意力模型HALSTM

本文模型中有2層LSTM，每層都引入了層級注意力機制，分別為單詞級別(word-level)的注意力以及文檔級別(doc-level)的注意力，如圖3所示。

圖 3 HALSTM基本結構Fig.3 HALSTM basic structure

(12)

μiN=tanh(Wwhit+bw)

(13)

式中：μw表示隨機初始化參數(shù);Ww，bw為隱藏層權重和偏置。對每一關節(jié)點特征編碼向量和對應權重系數(shù)進行加權求和,得到第i個關節(jié)坐標序列向量S，并作為關節(jié)坐標序列編碼器的輸入。

(14)

μi=tanh(Wshi+bs)

(15)

通過加權求和得到每一動作類別的特征向量v，即帶權重的骨架關節(jié)坐標序列的高層特征，然后直接采用Softmax分類器進行動作分類，得到動作標簽P。通過設計的關節(jié)坐標層級“注意力”模型，考慮了每一關節(jié)點坐標和每一坐標序列的重要性,使得模型更加有效地挖掘了有助于動作分類的特征，更好地學習了共觀性特征。

3.4 CNN-HALSTM模型

將提取好的骨架關節(jié)點數(shù)據(jù)保存為CSV文件。CSV數(shù)據(jù)集中的每一行數(shù)據(jù)由人體18個骨骼關節(jié)點坐標組成，每一行關節(jié)點坐標序列代表一個動作，將行為識別問題轉(zhuǎn)化為基于動作標簽的關節(jié)坐標分類問題。借鑒文本分類的思想，通過CNN提取相鄰n個關節(jié)坐標間的局部高層特征和關節(jié)點坐標間的局部相關性。HALSTM用于挖掘關節(jié)坐標間的上下文聯(lián)系，提取骨架序列的時間序列特征。為此，結合CNN和HALSTM自身網(wǎng)絡結構特性，以先卷積后循環(huán)遞歸的方式設計了CNN-HALSTM網(wǎng)絡架構，使得模型不僅可以捕獲每一關節(jié)點坐標周圍高層特征，還能獲取關節(jié)點坐標間長序依賴關系,如圖4所示。

圖 4 CNN-HALSTMN網(wǎng)絡框架Fig.4 CNN-HALSTMN network structure

4 實 驗

4.1 動作數(shù)據(jù)集

所使用的數(shù)據(jù)集分別為交互運動數(shù)據(jù)集和KTH數(shù)據(jù)集[21]。交互運動數(shù)據(jù)集由15種動作組成，包含Basketball、Bowling、Tennis、Clean and Jerk、Table Tennis、Discus Throw、Hammer Throw、Shot Put、Soccer Juggling、Wall Push-ups、Boxing, Biking、Floor Push-ups、Archery和Snatch。該數(shù)據(jù)集由9名運動員共同完成，共計29 550張圖片。交互運動數(shù)據(jù)集部分動作圖片如圖5所示。

圖 5 交互運動數(shù)據(jù)集部分動作Fig.5 Sample actions in interaction actions data sets

KTH數(shù)據(jù)集由6種動作組成，包含Walking、Jogging、Running、Boxing、Hand Waving和Hand Clapping。該數(shù)據(jù)集由25名受試者在4種不同的場景下完成的，共計170 367張圖片，分辨率為160×120。KTH數(shù)據(jù)集部分動作圖片如圖6所示。

圖 6 KTH數(shù)據(jù)集動作Fig.6 Sample actions in KTH data sets

4.2 實驗方案

將CNN層作為初始層，骨骼序列輸入CNN層提取局部特征，然后將CNN層的輸出結果輸入到HALSTM層中提取序列特征，按照訓練集和測試集7∶3的比例訓練。訓練時使用Adam優(yōu)化器，初始學習率設為0.001，batch-size設置為128，總共訓練200個Epoch。實驗條件包括操作系統(tǒng)為Ubuntu 18.04，運行內(nèi)存為32 GiB，深度學習框架為Keras。

4.3 實驗結果與分析

為了驗證該模型的可行性，進行了4種對比實驗。第1次測試探究CNN與LSTM在哪種層次的組合下模型更具優(yōu)勢，結果如表1所示。

表 1 CNN與LSTM在不同層次組合下的識別精度Tab.1 Recognition accuracy between CNN and LSTMat different levels of combinations

由表1可知，CNN方法的準確率遠遠超過LSTM方法。其原因在于LSTM對相鄰關節(jié)點之間的局部信息不能很好的建模，容易導致有利于動作識別的關鍵信息丟失；而CNN提取的關節(jié)坐標高層特征與卷積核內(nèi)學習的局部co-occurrence特征更有利于識別人體行為。體現(xiàn)出本方法所提取的骨架數(shù)據(jù)集在空間局部區(qū)域有著更強的表現(xiàn)性。

從表1還可以看出，在CNN與LSTM的不同層次組合中，CNN-LSTM方法的準確率遠超其他層次組合的模型。說明先提取局部特征再進行序列建模的CNN-LSTM網(wǎng)絡在學習骨架關節(jié)點坐標局部關鍵信息和關節(jié)點間的依賴關系時，具有較強的網(wǎng)絡學習能力。從2個數(shù)據(jù)集對比來看，KTH數(shù)據(jù)集上測試準確率達到97.23%，交互數(shù)據(jù)集上的準確率仍能達到94.56%。原因在于交互數(shù)據(jù)集包含更多的對象和動作類別且數(shù)據(jù)量更小，相同動作差異性和不同動作相似性，往往會影響模型的網(wǎng)絡學習能力和模型泛化能力，導致訓練準確率和測試準確率相對較低。

第2次測試探討層級注意力機制對模型精度的影響，結果見表2。

表 2 層級注意力模型下識別精度對比Tab.2 Comparison of recognition accuracy underhierarchical attention model

由于CNN-LSTM網(wǎng)絡在對骨架關節(jié)點坐標序列直接建模時，沒有體現(xiàn)每一關節(jié)點坐標或坐標序列在識別某一動作時的重要性，即可解釋性弱。在利用LSTM挖掘關節(jié)點坐標間的上下文信息時引入層級注意力機制，獲取每一時刻輸出的關節(jié)點坐標上下文信息的重要程度。從表2可以看出：引入注意力機制的LSTM網(wǎng)絡顯著提高了識別效果，而多層疊加的LSTM網(wǎng)絡識別率效果也優(yōu)于單層，其在交互數(shù)據(jù)集和KTH數(shù)據(jù)集上識別率分別提高了2.2%、1.1%。

第3次測試探討了數(shù)據(jù)預處理前后，所提出方法對模型精度的影響。本文對所提取的關節(jié)點數(shù)據(jù)進行了缺失點填充、異常點平滑操作。相比于原始關節(jié)點數(shù)據(jù)，預處理后的數(shù)據(jù)進一步提高了模型的魯棒性和識別準確率,見表3。

表 3 數(shù)據(jù)預處理對識別精度影響Tab.3 Effect of data preprocessing on recognitionaccuracy

第4次測試是為了更好驗證本文所提算法的有效性。將本文所提的算法在公共數(shù)據(jù)集KTH上與主流網(wǎng)絡進行了對比，結果如表4所示。

表 4 不同算法下識別精度對比Tab.4 Comparison of recognition accuracy withdifferent algorithms

從表4可以看出本文所提算法的有效性。文獻[22]由多層3維卷積構成，通過提取時空和光流特征光對動作進行分類；文獻[23]在結合光流特征和運動差異特征后使用支持向量機進行動作分類；文獻[24]采用MoSIFT算法計算有大量運動的興趣點，結合光流特征對動作進行識別；文獻[25]采用混合SVM與KNN分類器對CNN提取的特征進行分類；文獻[26]構建了2個分校堆疊LSTM-RNNs并且利用輕量級特性導出了二維骨架關節(jié)，用并行框架處理人體的上下兩部分。上述方法雖然在動作識別領域取得了矚目的成就，但是計算耗時量大，模型存在參數(shù)過大的問題，不能用于實時動作識別中。本文的方法是將二維骨架數(shù)據(jù)轉(zhuǎn)換為二維關節(jié)坐標數(shù)據(jù)，以確定的坐標表示關節(jié)位置，避免了關節(jié)遮擋、重疊等因素對二維骨架特征表征動作信息的影響。以關節(jié)坐標序列為表征動作信息的文本序列，提取其多層次的特征并進行多樣性組合，利用文本分類的方法識別出動作類別。利用多層級注意力機制有效地挖掘了有助于動作分類的特征，更好地學習了共觀性特征。從降低無關因素影響和更好地利用共觀性特征層面，本文的方法可以帶來更好的效果，大幅度減少了訓練所需的參數(shù)量，并且具備良好的實時性。

5 結 語

本文提出了一種融合了層級注意力機制的二維骨架動作識別方法。首先，利用OpenPose提取RGB視頻中的二維骨架關節(jié)點，關節(jié)數(shù)據(jù)包含時空維度的骨架信息，刻畫了每一骨架關節(jié)點位置信息和骨架運動信息，降低了圖像模態(tài)下骨架關節(jié)點遮擋對行為識別準確率的影響；其次，對所提取的骨架數(shù)據(jù)中缺失點和異常點進行數(shù)據(jù)預處理；最后，融合多層次注意力機制構建了基于CNN-HALSTM的網(wǎng)絡模型，實現(xiàn)動作分類。實驗結果表明，本文所提出的方法具有一定的可行性和較好的魯棒性，為動作識別領域的研究提供了新的思路。