[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

权利要求书

1.一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。

2.根据权利要求1所述的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，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。

3.根据权利要求1所述的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，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。

4.根据权利要求1所述的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，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：

第一阶段对关节点数据预测的结果输入第二阶段，第二阶段结合第一阶段的预测结果以及人体图像的特征图优化并输出关节点数据的预测结果给第三阶段，第三阶段结合第二阶段的预测结果以及人体图像的特征图优化并输出关节点数据的预测结果给第四阶段，重复上述操作，直至得到所有的关节点预测结果；

关节点间关联数据提取的具体过程如下：

第一阶段对关节点间关联数据预测的结果输入第二阶段，第二阶段结合第一阶段的预测结果以及人体图像的特征图优化并输出关节点间关联数据的预测结果给第三阶段，第三阶段结合第二阶段的预测结果以及人体图像的特征图优化并输出关节点间关联数据的预测结果给第四阶段，重复上述操作，直至得到所有的关节点间关联预测结果。

5.根据权利要求1所述的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，所述步骤S5具体包括以下过程：

将所述步骤S42得到的人体行为序列分为静态序列和动态序列；

其中，采用SVM或Softmax分类器对所述静态序列进行分类，输出人体行为的分类结果；

建立递归神经网络模型对所述动态序列进一步检测分类，从而输出人体行为的分类结果。