[发明专利]一种基于可变时序的人体行为识别方法

权利要求书

1.一种基于可变时序的人体行为识别方法，其特征在于，包括以下步骤：

步骤1，对输入视频进行预处理操作；

步骤2，搭建网络模型SED3DNet；

步骤3，选择合适的损失函数、优化器；

步骤4，训练网络模型，过程如下所示：

步骤4.1，采用Kaiming init的方式初始化参数；

步骤4.2，学习率为0.001，batch_size为16；

步骤4.3，进行损失计算，并利用反向传播机制对权重进行更新；

步骤4.4，训练130个epochs；

步骤4.5，结束训练；

步骤5，进行测试，验证SER3DNet网络的有效性。

2.根据权利要求1所述的一种基于可变时序的人体行为识别方法，其特征在于：步骤1预处理具体子步骤如下：

a:由于视频帧存在大量冗余信息，无法获取视频全局特征信息，故本发明采用二次采样的策略对视频数据集进行采样，以提高行为识别的准确率；首先，按照一定的采样率f(f＝4)进行视频采样，获得每个视频对应图像数据集D；然后采用二次采样算法从图像数据集D中均匀采集16帧，形成数据集G；

b:采用随机抖动、水平翻转以及中心裁剪等方法对数据集G进行数据增强，并按照8:2的比例对数据集G进行训练集和测试集的划分，以备网络模型的训练与测试。

3.根据权利要求1所述的一种基于可变时序的人体行为识别方法，其特征在于：所述网络模型SER3Dnet，共18层，6个block。

4.根据权利要求1所述的一种基于可变时序的人体行为识别方法，其特征在于：在步骤3中，采用了交叉熵与正则化L2之和作为网络模型的损失函数：

F＝H(P,Q)+L2

其中，交叉熵损失函数H(P,Q)＝-P(x)log(Q(x))，主要用于表示真实概率分布P(x)和预测概率分布Q(x)之间的差异性，值越小则表示预测的结果越好；

L2正则化可以有效地防止网络在训练时的过拟合现象，表达式为其中，λ为惩罚因子，n为权重w的个数。