[发明专利]一种基于深度学习的黑暗条件下动作识别方法

权利要求书

1.一种基于深度学习的黑暗条件下动作识别方法，其特征在于，包括以下步骤：

S1、选择实时黑暗条件识别或黑暗视频片段识别；

S2、从步骤S1已选择的待识别中取出F帧原始黑暗帧作为暗亮双通道模型的输入；实时黑暗条件识别时，保存每一帧信息并在保存到F帧时进入步骤S3，而选择黑暗视频片段识别则计算所有视频帧数，保证F帧的情况下等间隔提取，其间隔为2或4帧，视总帧数情况选择，如果视频片段少于F帧则进行循环取帧；

S3、对上一步取出的原始黑暗帧进行预处理，得到黑暗帧以及对应的增亮帧；

S4、将步骤S3得到的黑暗帧和增亮帧分别输入到对应通道的共享特征提取器中，得到两个通道的高级语义特征；

S5、将步骤S4得到的两个通道的高级语义特征并行输入到自注意力机制，得到输出分类向量Y_cls；

S6、将步骤S5得到的输出分类向量Y_cls输入到一个全连接层，得到类别概率，再通过softmax函数得到概率最大的类别，作为输出，并显示对应的概率值；

S7、如果步骤S1选择的是黑暗视频片段识别，则识别结束；如果步骤S1选择的是实时黑暗条件识别，则判断现时的实时黑暗条件识别是否已结束，如果没有结束，则等待接受完新的F帧后返回步骤S3，否则识别结束。

2.根据权利要求1所述的一种基于深度学习的黑暗条件下动作识别方法，其特征在于，所述步骤S2中，F帧为64帧。

3.根据权利要求1或2所述的一种基于深度学习的黑暗条件下动作识别方法，其特征在于，所述暗亮双通道模型包括暗通道和亮通道，该两个通道均包括有一个输入和一个共享权值的特征提取器。

4.根据权利要求1所述的一种基于深度学习的黑暗条件下动作识别方法，其特征在于，所述步骤S3中，预处理的具体步骤如下：

S3-1、修改原始黑暗帧的尺寸，得到黑暗帧；

S3-2、进行伽马强度校正，得到增亮帧，校正公式如下：

上式中，p表示像素值，范围为[0,255],p_max表示最大的输入像素值，γ表示伽马校正的强度。

5.根据权利要求4所述的一种基于深度学习的黑暗条件下动作识别方法，其特征在于，所述步骤S3-1中，对原始黑暗帧包括左上、中间、右下在内的位置进行裁剪，使覆盖原始黑暗帧的百分之八十，将裁剪完的帧重新改变尺寸为112*112。

6.根据权利要求1所述的一种基于深度学习的黑暗条件下动作识别方法，其特征在于，所述步骤S4中，特征提取器为去掉最后全局池化层的R(2+1)D-34模型。