[发明专利]行为识别模型的构建方法、行为识别方法及智能家居

权利要求书

1.一种行为识别模型的构建方法，其特征在于，所述方法包括：

获取历史行为视频；

按照时间维度和空间维度获取所述历史行为视频的多个局部特征；

根据所述多个局部特征，获取所述历史行为视频的整体特征；

根据所述整体特征以及预设的与所述整体特征对应的行为列表，获取所述历史行为视频所对应的行为类别；

构建根据所述行为视频识别所述行为的模型。

2.根据权利要求1所述的构建方法，其特征在于，所述按照时间维度和空间维度获取所述历史行为视频的多个局部特征，包括：

获取所述历史行为视频的多个片段，

获取所述片段中的任意一帧的RGB图像和光流图像，所述RGB图像为空间维度图像，所述光流图像为时间维度图像；

将所述多个片段的所述任意一帧的RGB图像进行堆叠，

获取所述RGB图像的堆叠深度特征，根据所述RGB图像的堆叠深度特征，获取所述RGB特征序列；

将所述多个片段的所述任意一帧的光流图像进行堆叠，

获取所述光流图像的堆叠深度特征，根据所述光流图像的堆叠深度特征，获取所述光流特征序列。

3.根据权利要求2所述的构建方法，其特征在于，所述根据所述多个局部特征，获取所述历史行为视频的整体特征，包括：

预先建立时序激励模块；

根据所述RGB特征序列以及所述时序激励模块，获取所述RGB特征的权重向量，并根据所述RGB特征序列以及所述RGB特征的权重向量，获取所述RGB加权特征序列；

根据所述光流特征序列以及所述时序激励模块，获取所述光流特征的权重向量，并根据所述光流特征序列以及所述光流特征的权重向量，获取所述光流加权特征序列；

根据预设规则，将所述RGB加权特征序列转换成与所述RGB加权特征相对应的第一分数值序列，以及将所述光流加权特征序列转换成与所述光流加权特征相对应的第二分数值序列；

根据所述第一分数值序列以及所述第二分数值序列，获取所述当前行为视频的整体特征分数值。

4.根据权利要求2所述的构建方法，其特征在于，所述根据所述整体特征以及预设的与所述整体特征对应的行为列表，获取所述历史行为视频所对应的行为类别，包括：

获取所述行为列表中所述不同类别的行为预设的分数值，

比较所述整体特征分数值与所述不同类别的行为预设分数值，

获取所述整体特征分数值与所述不同类别的行为预设分数值的差值，

获取所述差值在差值预设范围内的所述行为，作为所述当前行为视频所对应的可能行为；

获取所述可能行为所对应的概率值，

获取所述最大概率值所对应的可能行为，为所述历史行为视频所对应的行为。

5.根据权利要求2所述的构建方法，其特征在于，所述获取所述RGB图像的堆叠深度特征的方法包括：

预设空间卷积神经网络，根据所述空间卷积神经网路，获取所述RGB图像的堆叠深度特征；

所述获取所述光流图像的堆叠深度特征的方法包括：

预设时间卷积神经网络，根据所述时间卷积神经网路，获取所述光流图像的堆叠深度特征。

6.根据权利要求2所述的构建方法，其特征在于，所述根据所述RGB特征序列以及所述时序激励模块，获取所述RGB特征的权重向量，包括：

所述时序激励模块将所述RGB特征序列压缩，

并通过预设的第一全连接层以及预设的第一激励函数，获取所述RGB特征的权重向量；

所述根据所述RGB特征序列以及所述RGB特征的权重向量，获取所述RGB加权特征序列，包括：

通过预设的第二全连接层以及预设的第二激励函数，获取所述RGB加权特征序列。