【技术实现步骤摘要】
recognition.2020:143
‑
152.]在G3D中,节点建立无向连接,并考虑其他节点的特征进行更新。Karg使用基于PCA的分类器,Crenn使用情感特征的支持向量机,Venture采用关节角度之间的自相关矩阵进行基于相似性的分类。Daoudi将关节运动表示为对称正定矩阵,并执行最近邻分类,LSTM使用递归神经网络来分类情绪,STEP构建了基于图卷积神经网络的自动编码器来提高分类任务的准确性。HAP通过将半监督自编码器添加到人体不同部位来执行分类任务。
[0005]从步态中识别情感面临着关键挑战。一些方法仅通过空间或时间模块进行特征提取,而没有考虑一帧与另一帧之间的依赖性。事实上,当一对节点强相关时,一个节点应该包含另一个节点的特征,以反映它们之间的连接。在多帧节点之间的连接是无向的,而步态实际上是时间方向上有方向性的。如果特征提取没有按照时间序列的方向进行更新,不同帧之间的节点会相互干扰,信号冗余将出现,这将影响每帧中节点特征的更新。
技术实现思路
[0006]在每个样本序列中,每帧图节点的空间特征属性,不应该仅仅取决于当前空间位置,也会受到前后邻居帧节点的影响,比如,一个人迈左脚动作,取决于他前面时刻的抬腿动作,和后面时刻的放腿动作,前后时间段的动作都和当前时刻相关。所以如何有效地提取这种相关性,是提高情绪识别精度的关键。
[0007]本专利技术直接通过多个时间卷积块堆叠,或者对节点进行无向连连,完成对时间维度特征提取。本专利技术采用通过构建有向时空图,同时考虑到了时间流动方向,并且使用图深 ...
【技术保护点】
【技术特征摘要】
1.基于多尺度跨时空有向时空图的步态情绪识别方法,其特征在于,包括以下步骤:构建人体骨骼图,每个关节代表一个节点,骨骼代表一条边;采用多尺度跨时空的信息有向聚合方法提取特征,使用跨时空的方法,获取每帧节点与长时间距离的帧节点之间的联系,使用多尺度方法,获取每帧节点与远处节点之间的联系;根据时间流动方向,将所有帧节点放入一个整体结构中,构建有向时空图;使用多尺度自适应图卷积块,自适应地提取每帧节点与其多跳节点间的特征联系;采用softmax进行情感分类。2.根据权利要求1所述基于多尺度跨时空有向时空图的步态情绪识别方法,其特征在于:所述人体骨骼图表示为G=(V,E),其中V={v1,v2,...,v
N
}表示由N个节点表示的关节,E表示骨头的边的集合,由邻接矩阵A捕获,邻接矩阵A如下式所示:d(v
i
,v
j
)表示节点i和j之间的最短距离;作为图序列,存在节点特征集X={x
t,n
∈R
C
∣t,n∈1≤t≤T,1≤n≤N}表示X∈R
T
×
N
×
G
,其中T是总的时间帧数,N代表每帧节点数量,R
C
代表每个节点特征,R
T
×
N
×
C
代表每个输入样本所有特征数据,x
t,n
=X
t,n
是时间帧t中节点v
n
的C维特征向量,t代表输入数据的第几帧图,n表示第n个节点;输入步态用A和X来描述。3.根据权利要求1所述基于多尺度跨时空有向时空图的步态情绪识别方法,其特征在于:所述采用多尺度跨时空的信息有向聚合方法提取特征具体包括:在每次更新中,帧数据根据时间序列方向进行选择,并使用前后帧更新当前帧数据,更新方程下式,在图神经网络的第l层中,输出特征被表示为节点输入特征表示为Θ
l
代表图神经网络,δ是归一化函数;定义一个多尺度邻接矩阵:其中,d(v
i
,v
j
)表示节点i和j之间的最短距离,是自然状态下人体关节的结构图,是在k跳跃时得到的新的邻接矩阵,表示i的k跳邻居节点是j,将两个节点之间的k跳跃权重重置为1,以便于在特征聚合时,n跳节点和k跳节点(k≠n)具有相同的初始权重;为了提取远程节点特征,使用一种基于m跳邻居的分区策略,节点跳邻居集的分区策略定义为:
其中,r(v
i
)表示所有帧中节点i到重心的距离,r(v
j
)表示所有帧中节点j到重心的距离,j是i的m跳邻居,[A
m
]
i,j
表示了第i个节点和第j个节点相连;使用多尺度跨时间有向聚合更新方法,以提取不同帧节点之间的连接关系,使用两个聚合函数从源节点和目标节点提取特征gv
t
,gv
s
,,,,表示提取的指向i节点的源节点,表示提取的i节点指向的目标节点,表示指向当前节点的源节点,表示当前节点指向的目标节点,v
′
i
表示节点i更新后的特征,h
v
表示节点特征更新函数;使用多尺度定向连接,使每一帧中的节点与它们之前和之后的多帧多跳邻居之间的连接,多尺度有向时空图矩阵由多个原始的k跳邻接矩阵拼接而成,其中是输入每帧图的多尺度邻接矩阵,I是一个单位矩阵。4.根据权利要求1所述基于多尺度跨时空有向时空图的步态情绪识别方法,其特征在于:在整个时间序列上构建...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。