[发明专利]一种基于深度卷积神经网络的日常人体行为识别方法

说明书

本发明公开了一种基于深度卷积神经网络的日常人体行为识别方法，其特征在于，包括以下步骤：S1.建立深度卷积神经网络模型；S2.获取并对人体图像进行预处理；S3.通过深度卷积神经网络模型，提取人体图像特征；S4.通过人体图像特征，输出人体行为序列；S5.将人体行为序列进行分类，得到分类结果。本发明通过深度卷积神经网络对人体图像进行特征提取，再配合分类器对特征进行分类，能够快速、精准识别分类出日常人体行为。

技术领域

本发明涉及深度学习领域，更具体地，涉及一种基于深度卷积神经网络的日常人体行为识别方法。

背景技术

目前，作为计算机视觉的重要分支，人体行为识别技术可广泛应用于智能视频监控、机器人视觉、人机交互、游戏控制等，应用市场前景广阔。目前常用的有基于整体特征的方法、基于模型的方法以及基于深度学习的方法等，而研究表明，人们可以通过一些描述人体主要关节运动的点来识别人体的行为。并且实验表明，人类大量的行为动作完全可以从关节点中识别出来。人体行为识别技术

从2012年Alex等人在ImageNet ILSVRC挑战赛中搭建的卷积神经网络获得成功开始，深度卷积神经网络在图像分类、目标检测、人脸识别等多了领域都取得了巨大成功，目前使用深度学习进行基于图像处理等研究越来越受广大研究人员的欢迎。因为深度卷积神经网络是直接以原始数据作为输入，从大量的训练数据中自动学习特征的表示，可以有效降低网络的复杂程度，训练参数的数目，是模型对于平移、扭曲、缩放都有一定程度的不变性。而目前尚无成熟的方案将深度卷积神经网络应用在人体行为识别技术中，无法更进一步地提高人体行为识别的准确率。

发明内容

本发明为克服上述现有技术所述的缺陷，实现较为精确的日常人体行为检测识别，提供一种基于深度卷积神经网络的日常人体行为识别方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于深度卷积神经网络的日常人体行为识别方法，包括以下步骤：

S1. 建立深度卷积神经网络模型；

S2. 获取并对人体图像进行预处理；

S3. 通过深度卷积神经网络模型，提取人体图像特征；

S4. 通过人体图像特征，输出人体行为序列；

S5. 将人体行为序列进行分类，得到分类结果。

进一步地，所述步骤S1具体包括以下步骤：

S11. 在深度学习框架中分别建立用于特征提取的深度卷积神经网络模型和用于提取人体行为序列的深度卷积神经网络模型；

其中，用于特征提取的深度卷积神经网络模型包括2个分支网络模型，每个分支网络模型由多阶段的网络组成。

进一步地，所述步骤S3具体包括以下步骤：

S31. 收集人体行为数据库，对人体行为数据库中的人体日常行为数据进行分类，转换为标准的统一尺寸；

S32. 使用所述步骤S11中的用于特征提取的深度卷积神经网络模型，从经过所述步骤S2预处理的人体图像中提取人体图像的特征，输出人体图像的特征图。

进一步地，所述步骤S4具体包括以下步骤：

S41. 使用所述步骤S31中的人体行为数据库，调整所述步骤S11中的用于特征提取的深度卷积神经网络模型，直至收敛；

S42. 将所述步骤S32得到的人体图像的特征图发送至经过所述步骤S41处理的用于特征提取的深度卷积神经网络模型，用于特征提取的深度卷积神经网络模型的分别提取出关节点数据和关节点间关联数据，从而输出人体的行为姿态序列；

其中，关节点数据提取的具体过程如下：