[发明专利]一种人工智能监控方法

说明书

本发明公开了一种人工智能监控方法，通过特征提取图卷积网络获取动作特征，再根据动作特征进行人体动作预测和人体动作识别，从而实现人工智能监控。本发明提供的人工智能监控方法，能够更好的描述人体的动作，并节约运算资源，提升运算性能。

技术领域

本发明涉及一种人工智能监控方法，属于人工智能技术领域。

背景技术

人工智能监控包含人体动作识别和预测两个部分，传统的人工智能监控，多集中于单任务模型的研究，即分开完成这两个任务，通过两个模型分别进行人体动作识别、人体动作预测。

然而，人体动作识别和人体动作预测，都涉及从人体动作中提取特征，并且从人类的认知过程来看，动作识别和动作预测存在内在的关联。

传统单任务模型的方式，不仅计算效率低，还浪费了计算资源。

因此，有必要设计一种能够将人体动作识别和人体动作预测结合的人工智能监控方法。

发明内容

为了克服上述问题，本发明人进行了锐意研究，设计出一种人工智能监控方法，通过特征提取图卷积网络获取动作特征，再根据动作特征进行人体动作预测和人体动作识别，从而实现人工智能监控。

该方法包括以下步骤：

S1、构建特征提取图卷积网络，用于提取动作特征；

S2、构建动作识别网络和动作预测网络，根据提取的动作特征，进行动作识别和动作预测；

S3、对特征提取图卷积网络、动作识别网络和动作预测网络进行训练，获得监控模型。

进一步地，在步骤S1中，所述动作特征为能够体现人体动作状态的矩阵，所述构建特征提取图卷积网络包括以下子步骤:

S11、将图像信息转换为人体骨架，作为图卷积网络的输入；

S12、确定图卷积网络参数。

更进一步地，在步骤S11中，将图像中不同骨骼简化为线段，将线段连接形成人体骨架，通过邻接矩阵对人体骨架进行数学表达，

其中，将代表不同骨骼线段的端点作为邻接矩阵的顶点，将线段作为邻接矩阵的边，从而获得人体骨架的邻接矩阵A。

在步骤S12中，图卷积层卷积核包括固定卷积核和关联卷积：

所述固定卷积核用于描述人体骨架中相互连接的骨骼对人体动作的影响；

所述关联卷积核用于描述人体骨架中非连接的骨骼对人体动作的影响。

根据本发明一个优选的实施方式，所述固定卷积核表示为：

其中，σ()为非线性激活函数；

操作表示元素的乘积，上标l表示不同的卷积层；

M^l为第l层的可学习矩阵，其用于表示邻接矩阵A中不同边的权重；

W^l表示第l层的权重参数矩阵；

X^l表示第l层的卷积层的输出，也是第l+1层的输入；

I是单位矩阵，是的度矩阵。

根据本发明一个优选的实施方式，所述关联卷积核可以表示为：

X^l+1＝σ(A_pX^lW^l)