[发明专利]一种基于注意力机制的轻量级移位图卷积行为识别方法

权利要求书

1.一种基于注意力机制的轻量级移位图卷积行为识别方法，其特征在于，包括：

对数据集进行预处理，生成关节点信息流数据集、骨长信息流数据集、基于运动信息的关节点信息流数据集和基于运动信息的骨长信息流数据集；

所述预处理包括：

剔除误检的摄像头数据；

定义评判骨架序列能量的指标，剔除误检的关节点数据；

归一化关节点坐标数据；

归一化视角；

通过卷积神经网络对所述关节点信息流数据集、骨长信息流数据集、基于运动信息的关节点信息流数据集和基于运动信息的骨长信息流数据集进行特征提取，获得关节点信息流、骨长信息流、运动信息流和基于运动信息的骨长信息流；

所述骨长信息流包括：

定义离骨架重心较近的关节为源关节，离重心较远的关节为目标关节；

t帧中的源关节为：

V_i,t＝(x_i,t,y_i,t,z_i,t)

t帧中的目标关节为：

V_j,t＝(x_j,t,y_j,t,z_j,t)

骨长信息流e_i,j,t定义如下：

e_i,j,t＝V_j,t-V_i,t

其中，i和j为关节点，x、y、z为关节坐标；

所述运动信息流包括：

em_i,t,t+1＝V_i,t-V_i,t+1＝(x_i,t+1-x_i,t,y_i,t+1-y_i,t,z_i,t+1-z_i,t)

其中，em_i,t,t+1为所述运动信息流；

基于运动信息的骨长信息流包括：

bm_i,t,t+1＝e_i,j,t-e_i,j,t+1

其中，bm_i,t,t+1为所述基于运动信息的骨长信息流；

构建ALS-GCN网络，并通过所述ALS-GCN网络获得信息流的时空间特征；

所述ALS-GCN网络包括空间移位模块(100)和时间移位模块(200)；

所述空间移位模块(100)包括空间注意力模块(101)和通道注意力模块(102)；

通过设定自适应的时序shift图卷积和增加短连接，优化所述时间移位模块(200)；

融合所述信息流的时空间特征，获得行为识别结果。

2.如权利要求1所述的基于注意力机制的轻量级移位图卷积行为识别方法，其特征在于，所述融合包括：

将信息流的时空间特征的Softmax分数进行相加。