[发明专利]一种基于深度学习的人体行为识别算法

权利要求书

1.一种基于深度学习的人体行为识别算法，其特征在于，包括以下步骤：

(1)对输入视频段进行预处理；

(2)构建网络模型RD3D；

(3)定义损失函数和优化器的操作。

(4)训练网络模型；包括以下子步骤：

(41)初始化参数；

(42)学习率为0.0001，batchsize为16；

(43)由RD3D模型前向传播的值和真实标签根据损失函数计算损失，并将该损失通过反向传播更新权重参数；

(44)训练100个epoch后结束训练；

(5)测试结果。

2.根据权利要求1所述的一种基于深度学习的人体行为识别算法，其特征在于，步骤(1)预处理阶段，提出并采用二次采样算法采集n帧关键帧，具体包括以下过程：

a：将每个视频片段按采集率α采集图像帧，获得每个视频对应图像数据集A；

b：采用二次采样算法从图像数据集A中均匀采集n帧，作为视频片段的关键帧，并将其缩放到k*k，形成数据集B；

d：将所采集的数据集B按7：3比例分为训练集和测试集，以备训练和测试使用，其中训练集中的每个样本为四元组，分别是待预测样本，和待预测样本同一类别的其它样本，和待预测样本不同类的其它样本，待预测样本的类别标签。

3.根据权利要求1所述的一种基于深度学习的人体行为识别算法，其特征在于，步骤(2)所述的RD3D模型设计了134层即1+4*4+6*6*3+2*4+1，6个stage。

4.根据权利要求1所述的一种基于深度学习的人体行为识别算法，其特征在于，步骤(3)设计损失函数：

F＝H(P,Q)+L_re+L_tr

其中，交叉熵H(P,Q)＝-P(x)log(Q(x))，衡量预测分布和真实分布的形似性，损失越小，分类越准确；其中P为真实样本分布，Q为预测样本分布；

L2正则化损失为防止过拟合，其中λ为惩罚因子，n为权重W的个数；

三元损失：

其中||f(x_i)-f(x^p_i)||₂²为x_i和x^p_i的欧式距离，||f(x_i)-f(xⁿ_i)||₂²为x_i和xⁿ_i的欧式距离，f(x)为样本x经RD3D提取的特征，bs为batchsize，x_i为当前预测的样本，x^p_i为和当前计算样本x_i同一类的样本，xⁿ_i为和当前计算样本x_i不是同一类的样本，β为x_i和x^p_i、x_i和xⁿ_i的距离阈值。