張銀環(huán)，肖秦琨，楚超勤，邢 恒，賈松濤

(1.渭南職業(yè)技術(shù)學(xué)院 建筑工程學(xué)院，渭南 714000；2.西安工業(yè)大學(xué) 電子信息工程學(xué)院,西安 710021；3.西安工業(yè)大學(xué) 機(jī)電工程學(xué)院,西安 710021；4.西北工業(yè)集團(tuán),西安 710043)

人體行為識(shí)別(Human Activities Recognition，HAR)在機(jī)器人、智能安防、視頻監(jiān)控、人機(jī)交互等方面具有重要的應(yīng)用價(jià)值，被國(guó)內(nèi)外學(xué)者和研究人員廣泛關(guān)注[1]。高精度行為識(shí)別所需的關(guān)鍵技術(shù)研究非常具有挑戰(zhàn)性。使用單一模態(tài)獲取的目標(biāo)特征進(jìn)行行為識(shí)別時(shí)，容易受光照、視角、背景等環(huán)境因素影響，導(dǎo)致識(shí)別精度不高[2]，但是采用多模態(tài)融合模型時(shí)，能夠較好解決單一傳感器行為識(shí)別過程中數(shù)據(jù)缺失的問題，而且可以利用不同模態(tài)數(shù)據(jù)的互補(bǔ)性，提高行為識(shí)別精度。

近年來，多模態(tài)行為識(shí)別技術(shù)得到了快速發(fā)展。文獻(xiàn)[3]提出基于馬爾可夫(Hidden Markov Model,HMM)的行為識(shí)別方法，對(duì)每類行為訓(xùn)練一個(gè)HMM模型，最后計(jì)算行為分類的概率。然而該方法需要對(duì)每個(gè)HMM模型進(jìn)行單獨(dú)訓(xùn)練，引入過多的系統(tǒng)參數(shù)，降低了計(jì)算速度。文獻(xiàn)[4]提出基于連續(xù)密度隱馬爾可夫模型的礦下異常行為識(shí)別算法，通過級(jí)聯(lián)分類器實(shí)現(xiàn)運(yùn)動(dòng)區(qū)域的初步檢測(cè)并得到行為的最大外接矩形，引入連續(xù)密度HMM完成行為識(shí)別，在單幀多目標(biāo)行為識(shí)別方面取得顯著效果。文獻(xiàn)[5]對(duì)連續(xù)行為分類時(shí)采用HMM分類器，由于HMM缺乏時(shí)間維度關(guān)聯(lián)信息，該方法獲得的識(shí)別精度低于長(zhǎng)短期記憶(Long Short-Term Memory，LSTM)方法。文獻(xiàn)[6]提出層次隱馬爾可夫模型適用于在時(shí)間上具有多級(jí)依賴性且遵循層次結(jié)構(gòu)的問題，將分類過程進(jìn)行多層劃分取得了較好的識(shí)別精度，但增加了模型復(fù)雜度。文獻(xiàn)[7]根據(jù)三維骨架關(guān)節(jié)點(diǎn)的坐標(biāo)信息提取行為特征，通過離散隱馬爾可夫模型( Dispersed Hidden Markov Model,DHMM) 及關(guān)聯(lián)時(shí)間序列信息的方法進(jìn)行行為識(shí)別，取得了較高的識(shí)別精度，但并未提及如何優(yōu)化DHMM參數(shù)設(shè)置，而且隱藏狀態(tài)類別和輸出符號(hào)數(shù)量需要繼續(xù)研究。由此可見，多模態(tài)信息融合時(shí)，每個(gè)行為特征序列優(yōu)化更新問題尚無明晰的理論解釋。

為了解決上述問題，文中提出一種時(shí)空注意力隱馬爾可夫方法(Spatial Temporal Attention LSTM CHMM，STALC)，運(yùn)用概率推理的理論，研究多模態(tài)人體行為識(shí)別的融合方法。采用長(zhǎng)短期時(shí)空注意力網(wǎng)絡(luò)(Spatial Temporal Attention LSTM，STAL)提取不同模態(tài)視頻行為特征，將獲取的多模態(tài)特征與一對(duì)隱馬爾可夫模型(Couple Hidden Markov Model，CHMM)結(jié)合，形成STALC進(jìn)行行為識(shí)別。

1 STALC行為識(shí)別算法

運(yùn)用視頻捕獲設(shè)備，獲取彩色視頻RGB流、骨架流的人體行為視頻。采用文獻(xiàn)[8]方法，將采集的視頻輸入給STAL，分別提取彩色視頻流RGB特征序列(STALr)和骨架流特征序列(STALg)。依據(jù)馬爾可夫概率推理理論，STALr、STALg序列分別輸入給CHMM模型，構(gòu)建人體行為識(shí)別的STALC方法。

圖1 STALC融合模型

建立一種混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian Networks,DBN)模型，利用行為觀察矩陣和狀態(tài)轉(zhuǎn)移矩陣來表示連續(xù)人體行為識(shí)別系統(tǒng)。假設(shè)RGB與骨架相關(guān)特征貢獻(xiàn)相同，因此可使用骨架隱藏狀態(tài)序列更新彩色視頻隱藏狀態(tài)序列。通過概率推理將骨架序列和彩色視頻序列進(jìn)行信息融合，產(chǎn)生具有較高估計(jì)精度的最終狀態(tài)。

采用貝葉斯理論計(jì)算最優(yōu)骨架狀態(tài)序列，優(yōu)化后的最優(yōu)骨架行為分類可以表示為

(1)

同理，采用彩色視頻RGB行為相關(guān)的HMM作為概率網(wǎng)絡(luò)，最優(yōu)彩色視頻行為分類可表示為

(2)

多模態(tài)融合行為分類結(jié)果為

(3)

2 實(shí)驗(yàn)及結(jié)果分析

人體行為特征提取時(shí)，采用Sgdm優(yōu)化器更新視頻分類網(wǎng)絡(luò)，最小批處理大小為16，最大迭代次數(shù)為80，可充分對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，為獲得圖像更細(xì)粒度的特征，將初始學(xué)習(xí)率設(shè)為1×10-4，采用專用圖形處理器GPU可提高模型訓(xùn)練速度。為防止過擬合現(xiàn)象，丟棄率Dropout分別設(shè)置為0.2,0.4及0.6。

為評(píng)估STALC方法的性能，分別在UCF101[9]數(shù)據(jù)集和HMDB51[10]數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。其中UCF101數(shù)據(jù)集包含101個(gè)動(dòng)作類別，13 320個(gè)視頻樣本；HMDB51數(shù)據(jù)集共有51個(gè)動(dòng)作類別，包含6 766個(gè)視頻樣本，選取該數(shù)據(jù)集樣本進(jìn)行訓(xùn)練和驗(yàn)證。

HMDB51數(shù)據(jù)集包含51個(gè)動(dòng)作分類，依次選出10類進(jìn)行訓(xùn)練。第一次行為識(shí)別精度為89.04%。經(jīng)過五輪實(shí)驗(yàn)后，在HMDB51數(shù)據(jù)集上的訓(xùn)練平均精度為87.88%，具體見表1。

表1 HMDB51數(shù)據(jù)集上的訓(xùn)練精度

使用混淆矩陣在HMDB51數(shù)據(jù)集上顯示STALC算法對(duì)每個(gè)動(dòng)作的具體識(shí)別結(jié)果，隨機(jī)選擇“brush_ hair”“cartwheel”“chew”“clap”“dive”“draw_sword”“dribble”“catch”“climb”“climb_stairs”10類動(dòng)作視頻。運(yùn)用混淆矩陣進(jìn)行可視化分析，如圖2所示，縱軸代表10類動(dòng)作的真實(shí)標(biāo)簽，橫軸代表動(dòng)作預(yù)測(cè)結(jié)果。每個(gè)動(dòng)作大約有20個(gè)視頻，合計(jì)210個(gè)視頻需要識(shí)別，有203個(gè)視頻被正確識(shí)別，識(shí)別精度為96.66%。但“climb_stairs”動(dòng)作的識(shí)別精度僅為96.00%，輸入25個(gè)視頻，其中24個(gè)視頻被正確識(shí)別，1個(gè)視頻被誤識(shí)別為“climb”動(dòng)作，同時(shí)2個(gè)“climb”動(dòng)作被誤識(shí)別為“climb_stairs”動(dòng)作。因?yàn)椴糠帧癱limb_stairs”動(dòng)作是在小山坡上拍攝，“climb_stairs”動(dòng)作在整個(gè)視頻中較小，特征不明顯，導(dǎo)致識(shí)別混淆。2個(gè)“dive”動(dòng)作被誤判為“climb_stairs”動(dòng)作，可能是因?yàn)闃颖緮?shù)量較少，這種結(jié)果可以通過增加樣本的數(shù)量，進(jìn)行大規(guī)模訓(xùn)練，提取動(dòng)作更為細(xì)微的特征，以提高識(shí)別精度。

為了進(jìn)一步驗(yàn)證算法的魯棒性，文中運(yùn)用K-means方法進(jìn)行聚類分析，如圖3所示，結(jié)果表明整體分類效果較好。然而，由于方差設(shè)置偏大，諸如“brush_hair”等個(gè)別動(dòng)作的分布較稀疏，但未與其他動(dòng)作產(chǎn)生交集，說明該類動(dòng)作沒有被誤判。實(shí)驗(yàn)結(jié)果驗(yàn)證了在HMDB51數(shù)據(jù)集上，文中提出的STALC方法對(duì)人體行為識(shí)別精度較高。

圖3 在HMDB51數(shù)據(jù)集上的聚類結(jié)果

在UCF101數(shù)據(jù)集中，隨機(jī)選擇“BaseballPitch”“Basketball”“BenchPress”“Biking”“CleanAndJerk”“Diving”“Drumming”“BreastStroke”“Billiards”“Fencing”10種不同類型的動(dòng)作。每個(gè)動(dòng)作類別包含107個(gè)視頻，每個(gè)動(dòng)作拍攝時(shí)間為3 s，總共1 241個(gè)視頻。選取該數(shù)據(jù)集樣本進(jìn)行訓(xùn)練和驗(yàn)證，使用混淆矩陣來評(píng)估STALC方法性能，識(shí)別精度如圖4所示。

由圖4可得，UCF101數(shù)據(jù)集上的行為識(shí)別平均精度為97.78%。輸入24個(gè)“BaseballPitch”動(dòng)作視頻，正確識(shí)別21個(gè)視頻，識(shí)別精度僅為87.5%，因?yàn)樵搫?dòng)作在多人交互環(huán)境中拍攝，目標(biāo)特征較小。“Biking”和“BreastStroke”動(dòng)作分別有1個(gè)動(dòng)作被誤識(shí)別為“Billiards”動(dòng)作，因?yàn)檫@些動(dòng)作速度快，而且背景移動(dòng)多變，導(dǎo)致識(shí)別結(jié)果錯(cuò)誤。

圖4 UCF101數(shù)據(jù)集上的混淆矩陣

在UCF101和HMDB51數(shù)據(jù)集上，將文中提出的STALC方法與其他行為識(shí)別方法[11-17]進(jìn)行比較。各算法在UCF101數(shù)據(jù)集上的識(shí)別精度，見表2。

由表2可得，在采用單模態(tài)信息識(shí)別時(shí)，采用3D CNN方法，同時(shí)獲取時(shí)間維度和空間維度行為特征，識(shí)別精度達(dá)到了82.30%，但是該方法對(duì)計(jì)算機(jī)性能要求較高，很難在一般實(shí)驗(yàn)室訓(xùn)練。時(shí)空注意力網(wǎng)絡(luò)STA-CNN，不僅考慮行為的時(shí)空特征，同時(shí)對(duì)不同特征在通道方面賦予不同的權(quán)重，識(shí)別準(zhǔn)確率為86.00%，識(shí)別精度顯著提高。雙流網(wǎng)絡(luò)Two Stream方法運(yùn)用彩色視頻RGB作為輸入數(shù)據(jù)，分別提取視頻的時(shí)間信息和空間信息，進(jìn)而融合時(shí)空信息，識(shí)別精度為88.00%，表明注意力機(jī)制在特征提取方面具有較大優(yōu)勢(shì)。骨架時(shí)域滑動(dòng)法STSM在信息融合時(shí)，采用骨架信息作為一種模態(tài)數(shù)據(jù)，克服背景信息的負(fù)面影響，同時(shí)利用不同模態(tài)信息的互補(bǔ)性優(yōu)勢(shì)，識(shí)別精度為94.90%。因此文中在融合之前采用骨架數(shù)據(jù)作為一種模態(tài)信息，采用STALC算法提取行為特征，并進(jìn)行概率融合，識(shí)別精度為97.78%。為進(jìn)一步驗(yàn)證STALC算法的魯棒性，在HMDB51數(shù)據(jù)集上將STALC算法與其他方法[11-17]進(jìn)行比較，見表3。

表2 不同行為識(shí)別算法在UCF101數(shù)據(jù)集上的精度

由表3可得，雙流網(wǎng)絡(luò)Two Stream采用彩色視頻RGB，識(shí)別精度為78.80%，說明單一模態(tài)的行為識(shí)別或二維卷積在提取行為特征時(shí)具有一定弊端。采用3D CNN方法提取行為的時(shí)間和空間特征信息，將不同模態(tài)的行為信息進(jìn)行融合，使得行為識(shí)別精度提升至81.50%，表明關(guān)聯(lián)行為的時(shí)空信息在識(shí)別方面具有顯著優(yōu)勢(shì)。ST-Net方法在提取行為時(shí)空信息時(shí)，在通道方面為不同重要程度的特征賦予不同權(quán)重，以抑制噪聲干擾。STALC算法采用注意力網(wǎng)絡(luò)提取不同權(quán)重的行為特征，對(duì)不同模態(tài)的行為特征運(yùn)用CHMM進(jìn)行概率融合，識(shí)別精度為87.68%。

表3 不同行為識(shí)別算法在HMDB51數(shù)據(jù)集上的精度Tab.3 Accuracy of different behavior recognition algorithms on HMDB51 dataset

STALC算法采用注意力網(wǎng)絡(luò)，分別提取彩色視頻RGB、骨架行為特征，并為不同行為特征賦予不同的權(quán)重，運(yùn)用CHMM對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行概率融合，從而達(dá)到了提高人體行為識(shí)別精度的目的。

3 結(jié) 論

基于多模態(tài)數(shù)據(jù)融合、概率推理和深度學(xué)習(xí)等理論，提出了具有更高識(shí)別精度的STALC行為識(shí)別方法。通過采用注意力網(wǎng)絡(luò)提取雙流行為特征，結(jié)合CHMM進(jìn)行概率融合，在UCF101、HMDB51兩個(gè)公開的數(shù)據(jù)集上分別進(jìn)行實(shí)驗(yàn)，證明了STALC方法在人體行為識(shí)別方面具有較高的精度。這種融合方法有效地利用了低級(jí)序列分類能力和先進(jìn)的語(yǔ)義決策機(jī)制，實(shí)現(xiàn)更高概率層次的特征修復(fù)；同時(shí)，使用STALC方法自動(dòng)提取系統(tǒng)參數(shù)，降低計(jì)算消耗，提高CHMM中分類器的學(xué)習(xí)效率。然而，針對(duì)小樣本的行為識(shí)別尚未深入研究，今后將繼續(xù)開展小樣本識(shí)別研究，進(jìn)一步提高算法的適用場(chǎng)景。