基于特征压缩的轻量化行为识别方法及系统技术方案

本发明专利技术提供一种基于特征压缩的轻量化行为识别方法及系统，属于计算机识别技术领域，包括：获取待识别视频序列；利用预先训练好的识别模型对所述获取的待识别视频序列进行处理，得到视频中的行为识别结果；其中，预先训练好的识别模型包括特征提取网络和分类网络，特征提取网络包括至少一个瓶颈结构，瓶颈结构包括依次连接的两个特征压缩模块。本发明专利技术能够有效减少卷积神经网络的计算量和参数量，同时高效的提取特征图中的信息；能够通过注意力机制对时空特征进行激活，使网络更关注于有价值的特征信息上，可简便的方式建模视频帧之间的运动信息；具有较低的参数量和运算量。具有较低的参数量和运算量。具有较低的参数量和运算量。

【技术实现步骤摘要】
基于特征压缩的轻量化行为识别方法及系统


[0001]本专利技术涉及计算机识别
，具体涉及一种基于特征压缩的轻量化行为识别方法及系统。

技术介绍

[0002]人体行为识别主要解决的问题是如何将摄像机采集到的视频序列通过一系列分析处理，使计算机能够识别视频中正在进行的人类的动作和行为，目标是尽可能早且准确地识别正在发生的活动，推断该活动的类别。对于需要防止犯罪和危险事件发生的监控系统，行为识别方法尤其重要。行为识别的难点在于，由于处理对象是视频，所以相对图像处理来说多了一个需要处理的时间维度，因此如何高效的处理视频中的额外时间信息成为了行为识别的关键，此外行为识别易受到外在干扰，如被观察对象的姿态、外观和大小可能会有所不同；遮挡和复杂的背景会阻碍被检测对象；而环境的变化(例如照明)会进一步使识别变得困难；此外，目前行为识别的研究主要专注于基准数据集上，对实际生活场景中的应用仍没有鲁棒的解决方案。
[0003]自深度学习出现以来，越来越多的卷积神经网络模型被应用到行为识别中，按照方法不同可分为三大类：双流网络模型，例如该方法的主要思路是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征压缩的轻量化行为识别方法，其特征在于，包括：获取待识别视频序列；利用预先训练好的识别模型对所述获取的待识别视频序列进行处理，得到视频中的行为识别结果；其中，所述预先训练好的识别模型包括特征提取网络和分类网络，所述特征提取网络用于提取视频帧图像的时空特征；所述分类网络用于根据提取的时空特征识别视频帧图像中的行为；所述特征提取网络包括至少一个瓶颈结构，所述瓶颈结构包括依次连接的两个特征压缩模块；其中，所述特征压缩模块用于：将特征图的通道划分为高频和低频，将低频通道的空间分辨率进行压缩。2.根据权利要求1所述的基于特征压缩的轻量化行为识别方法，其特征在于，为了增强对特征的捕获能力，在两个特征压缩模块之间使用CBAM注意力机制，以激活空间和通道特征；所述CBAM注意力机制添加有时空信息激活模块，用于对视频中的时空信息进行激活建模时间特征；所述CBAM注意力机制添加有运动信息建模模块，用于表示视频帧间的运行信息特征。3.根据权利要求2所述的基于特征压缩的轻量化行为识别方法，其特征在于，在特征压缩模块中，通过第一卷积将原始输入特征图分为高频部分和低频部分；为了在高频部分和低频部分之间交换信息，该卷积中有四条路径：高频到高频路径、低频到低频路径、通过使用平均池化降低特征图的空间分辨率的高频到低频路径以及利用上采样增加特征图的空间分辨率的低频到高频路径。4.根据权利要求3所述的基于特征压缩的轻量化行为识别方法，其特征在于，所述第一卷积后连接第二卷积，所述第二卷积采用深度卷积来分别处理高频和低频特征，其中只保留高频到高频路径和低频到低频路径，经过第二卷积后，生成和原始特征相似的特征图；第二卷积后，将原始特征和生成的特征在通道维度上进行拼接后，经过通道混洗操作，加强特征图之间的信息交互，的到最终的输出特征。5.根据权利要求3所述的基于特征压缩的轻量化行为识别方法，其特征在于，所述信息激活模块中，得到和通道相关的注意力特征图以及和空间相关的注意力特征图，将和通道相关的注意力特征图以及和空间相关的注意力特征图进行融合输出时空注意力特征图，再通过残差连接，将原始特征和时空注...

【专利技术属性】
技术研发人员：田卉，金一，张展，冯松鹤，李浥东，
申请(专利权)人：中移雄安信息通信科技有限公司中移系统集成有限公司，
类型：发明
国别省市：