[发明专利]一种基于人体行为识别网络模型的识别方法

权利要求书

1.一种基于人体行为识别网络模型的识别方法，其特征在于：

网络模型依次包括第一3D卷积层、BN层、relu激活函数层、第一最大池化层、block网络块、全局均值池化层和softmax激活函数层；

所述第一3D卷积层用于将输入的连续视频帧的维度提高然后依次经过所述BN层和relu激活函数层后进入所述第一最大池化层作最大池化操作；

所述block网络块中每个输入通道对应一个3D卷积核用于实现特征的快速提取、降维和最大池化的操作后通过所述全局均值池化层进行处理后输入到所述softmax激活函数层；

所述softmax激活函数层用于输出形态类别；

网络模型训练测试步骤包括以下内容：

采集大量人体行为数据并标注行为类别作为数据训练集，通过标注行为类别让网络学习标注行为的特征，并进行预测；

将数据训练集输入网络模型中，通过提取连续图像帧中的特征进行前向传播得到训练类别，再经损失函数反向传播更新参数；

当损失值满足要求时，停止学习，网络模型训练初步完成，否则继续训练；

选取一定数量人体行为数据作为测试集输入到上述完成训练的网络模型中，通过前向传播得到行为类别，并与原标签进行比对，得到比对结果的正确率；

如果正确率满足要求，则表示此网络模型测试通过，否则更新调节参数后继续对该网络模型进行训练；

所述识别方法包括：

将连续的视频序列输入到网络模型中的第一3D卷积层升高维度后依次进入BN层和relu激活函数层；

将所述relu激活函数层的输出输入到block网络块中的第一block层、第二block层、第三block层、第四block层和第五block层进行特征提取、降维和最大池化处理后输入到全局均值池化层；

所述全局均值池化层对输入数据做正则化防止过拟合后输出到softmax激活函数层，最后输出形态类别。

2.根据权利要求1所述的一种基于人体行为识别网络模型的识别方法，其特征在于：所述block网络块包括有第一block层、第二block层、第三block层、第四block层和第五block层；其中，后面的block层为前面的block层的充分学习提供特征；在每两个block层之间都设置有transition layer过渡层，用于对每个block层的输出进行降维。

3.根据权利要求2所述的一种基于人体行为识别网络模型的识别方法，其特征在于：所述第一block层包括有4个dense block单元，所述第二block层包括有8个dense block单元，所述第三block层包括有16个dense block单元，所述第四block层包括有32个denseblock单元，所述第五block层包括有64个dense block单元，通过每层block层中denseblock单元数量的依次增多由浅到深的提取特征，实现dense block单元的特征复用。

4.根据权利要求3所述的一种基于人体行为识别网络模型的识别方法，其特征在于：每个block层中的dense block单元中的每个输入通道对应一个3D卷积核以进一步减小网络参数和计算量。

5.根据权利要求2所述的一种基于人体行为识别网络模型的识别方法，其特征在于：所述transition layer过渡层包括第二3D卷积层和第二最大池化层，以实现对每个block层的输出进行降维和最大池化处理。