[发明专利]一种行为识别方法及相关装置

说明书

本申请公开了一种行为识别方法，包括：从获取到的视频文件中抽取连续的多帧数据；采用行为识别模型对多帧数据进行识别，得到行为识别结果；其中，行为识别模型包括二维卷积时间特征融合层、全连接层和softmax层。通过从视频文件中抽取连续的多帧数据，并采用行为识别模型对多帧数据进行识别，该识别模型包括有二维卷积时间特征融合层，即在二维卷积层的基础上，还将多帧数据中的时间特征进行融合，实现二维卷积也可以对时间序列的特征进行卷积计算，提高特征提取的准确性，进一步提高识别准确性，同时降低计算量。本申请还公开了一种行为识别装置、服务器以及计算机可读存储介质，具有以上有益效果。

技术领域

本申请涉及数据处理技术领域，特别涉及一种行为识别方法、行为识别装置、服务器以及计算机可读存储介质。

背景技术

随着深度学习技术不断发展，目前基于CNN(Convolutional Neural Networks，卷积神经网络)的视频行为分析技术应用在各行各业。例如，采用视频行为分析技术进行安全领域的异常行为的识别和预警。

相关技术中，一般基于视频的行为分析方法主要使用深度学习的方法，包括：通过open pose或者其他方式对人体的关键点进行定位，通过对连续时间序列的人体关键点分析后对行为做出预测；使用3D卷积对视频进行分类，例如：C3D(3D convolution，三维卷积网络)，slow-fast等方法；使用光流场提取运动目标进行行为分析。但是，上述方式计算量较大，模型训练复杂，对于设备的硬件配置要求较高，要想达到实时效果需要借助高端的显卡等，不利于在终端设备上运行。

因此，如何降低对视频进行行为识别的计算量是本领域技术人员关注的重点问题。

发明内容

本申请的目的是提供一种行为识别方法、行为识别装置、服务器以及计算机可读存储介质，以降低对于视频进行行为识别的计算量，同时提高识别的准确性。

为解决上述技术问题，本申请提供一种行为识别方法，包括：

从获取到的视频文件中抽取连续的多帧数据；

采用行为识别模型对所述多帧数据进行识别，得到行为识别结果；其中，所述行为识别模型根据训练数据进行模型训练得到，所述行为识别模型包括二维卷积时间特征融合层、全连接层和softmax层。

可选的，从获取到的视频文件中抽取连续的多帧数据，包括：

从终端设备获取所述视频文件；

从所述视频文件提取连续的多帧原始图像数据；

根据预设大小对所述多帧原始图像数据进行调整，得到所述多帧数据。

可选的，采用行为识别模型对所述多帧数据进行识别，得到行为识别结果，包括：

采用所述二维卷积时间特征融合层对所述多帧数据进行特征提取，得到待识别特征；

采用所述全连接层和softmax层对所述待识别特征进行分类，得到所述行为识别结果。

可选的，所述采用所述二维卷积时间特征融合层对所述多帧数据进行特征提取的步骤中卷积计算过程，包括：

对于所述二维卷积时间特征融合层的每一层的待输入数据进行时间特征融合，得到输入数据；

将所述输入数据输入所述二维卷积时间特征融合层的对应层进行卷积计算，得到输出数据。

可选的，对于所述二维卷积时间特征融合层的每一层的待输入数据进行时间特征融合，得到输入数据，包括：

对于所述二维卷积时间特征融合层的每一层的待输入数据进行时间特征错位拼接处理，得到所述输入数据。

可选的，所述行为识别模型的模型权重参数为int8。