一种基于互补时空信息建模的群体行为识别方法

技术领域

本发明涉及深度学习技术领域，更具体地，涉及一种基于互补时空信息建模的群体行为识别方法。

背景技术

深度学习的概念源于人工神经网络的研究，例如，包含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度机器学习方法分为有监督学习与无监督学习。不同学习框架下建立的学习模型不同，例如，卷积神经网络(CNN)是一种深度的监督学习下的机器学习模型。

群体行为识别是计算机视觉领域应用广泛且亟待解决的重要研究问题。伴随着深度学习技术的发展，群体行为识别与理解的宽度与深度也在不断扩展。群体行为识别是指通过分析视频中所包含对象的个体行为内容，来对视频中目标群体的行为状态进行判断和分类的技术。在视频的分析理解中，时空信息建模是指对视频每一帧的像素点或者深度学习所得到的特征点，在帧内和帧间同时进行信息交互。

在现有技术中，论文(DOI：10.1109/CVPR42600.2020.00092，Actor-Transformersfor Group Activity Recognition)提出使用Transformer模型对视频中的不同目标对象进行相似性建模，对其特征进行增强；进而提升对群体行为识别的准确率。该论文的基本思想是：1)使用深度神经网络对视频不同帧提取深度特征，然后使用目标包围框提取不同帧中所有目标的深度特征；2)将得到的所有目标的深度特征经过嵌入式操作和位置编码，输入自相关注意力模块，得到增强后的目标个体特征；3)利用分类器对不同目标分别进行判别，得到个体的行为类别；融合不同目标的特征得到群体深度特征，利用不同的分类器进行判别，得到群体的行为类别。通过在国际通用视频群体行为识别数据集(VolleyballDataset，Collective Dataset和NBAdataset)上进行测试，提高了视频中群体行为识别的准确率。然而，现有的视频群体行为识别仅考虑一种顺序的时空建模，忽略了时空建模可以通过两种顺序实现，并且忽略了这两种建模方式存在着很强的互补性。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于互补时空信息建模的群体行为识别方法。该方法包括以下步骤：

获取目标视频中的个体特征向量；

将所述个体特征向量输入到经训练的群体行为识别模型，获得群体行为识别结果，其中，所述群体行为识别模型包含第一建模分支和第二建模分支，第一建模分支对输入的个体特征依次通过第一空间自注意力模块和第一时间自注意力模块获得增强的个体特征，进而对所有增强的个体特征进行识别，获得第一群体行为识别结果；第二建模分支对输入的所述个体特征依次通过第二时间自注意力模块和第二空间自注意力模块获得增强的个体特征，进而对所有增强的个体特征进行识别，获得第二群体行为识别结果；所述群体行为识别结果是通过融合第一群体行为结果和第二群体行为识别结果获得。

与现有技术相比，本发明的优点在于，第一次利用两个互补的时空关系建模来解决群体行为类别识别错误的问题，增强了模型鲁棒性。此外，通过设计帧与帧之间，帧与视频之间以及视频与视频之间的对比损失函数，可以约束时间-空间和空间-时间两个建模分支学到的特征表达的一致性，进一步提升了群体行为识别准确率。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的基于互补时空信息建模的群体行为识别方法的流程图；

图2是根据本发明一个实施例的基于互补时空信息建模的群体行为识别方法的总体架构图；

图3是根据本发明一个实施例的多级对比损失函数的示意图；

图4是根据本发明一个实施例的应用场景示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

参见图1所示，所提供的基于互补时空信息建模的群体行为识别方法包括以下步骤。

步骤S110，构建群体行为识别模型，该模型包含具有对偶时空关系的两个建模分支。

结合图2所示，所构建的群体行为识别模型包含空间-时间建模分支和时间-空间建模分支，该两个分支通过使用自注意力机制对时间和空间关系分别建模，并以两种不同的顺序堆叠，即空间-时间以及时间-空间，构建互补的时空关系，具有对偶性。

对于空间-时间分支(或称为ST分支)，输入的个体特征依次经由空间注意力模块、时间注意力模块获得增强的个体特征，并可进一步划分为群体特征和个体行为，进而利用群体特征获得群体行为识别结果。对于时间-空间分支(或称为TS分支)，输入的个体特征依次经由时间注意力模块、空间注意力模块获得增强的个体特征，并划分为群体特征和个体行为，进而基于群体特征获得群体行为识别结果。通过融合两个建模分支的行为识别结果可获得最终的群体行为识别结果。通过所设计的两个分支实现了对偶时空建模。

在一个实施例中，输入两个建模分支的个体特征通过以下方式获得：对输入的视频，抽取K个视频帧，每个视频帧中有N个个体，通过深度神经网络和RoiAlign(感兴趣区域对齐)得到所有个体的特征向量X，即K×N×C维特征，C表示深度特征向量的纬度。ROIAlign是一种区域特征聚集方式，用于确定目标包围框，在此不再详细描述。

时间自注意力模块用于时间关系建模，例如，具体的时间关系建模方式是：对每个个体的K帧特征，即K×C的特征，通过自注意力机制构建K个特征间关系，输入前馈神经网络(FFN)增强特征表达，得到时间关系建模增强后的个体特征。

空间自注意力模块用于空间关系建模，例如，具体的空间关系建模方式是：对每个视频帧内的N个个体特征，即N×C的特征，通过自注意力机制构建N个特征间关系，输入FFN网络增强特征表达，得到空间关系建模增强后的个体特征。

在本发明实施例中，对偶时空建模的具体过程包括：

步骤S1，将原始的个体特征X顺序输入空间关系建模和时间关系建模，得到空间-时间关系建模后的所有个体特征X

步骤S2，将原始的个体特征X顺序输入时间关系建模和空间关系建模，得到时间-空间关系建模后的所有个体特征X

步骤S3，将两个建模分支的识别结果融合，得到最终的群体行为识别结果。

需说明的是，在本发明实施例中，两个建模分支具有对偶互补关系，各分支上的时间自注意力模块可以具有相同或不同的结构，空间自注意力模块也可以具有相同或稍微不同的结构。例如，自注意力模块堆叠的数量可以不同。

步骤S120，基于视频样本集训练群体行为识别模型，在训练过程中，设计多层级的对比损失函数来约束两个建模分支特征表达的一致性。

为了进一步提升群体行为识别准确率，在模型训练过程中，可以约束时间-空间和空间-时间两个建模分支学到的特征表达的一致性。考虑到同一个体在不同时空建模下的特征应尽量一致，同时与其他个体的特征不同，针对两个建模分支设计局部至全局的多级别特征约束。

例如，设计帧与帧之间，帧与视频之间以及视频与视频之间的对比损失函数来约束两个建模分支学到的特征表达的一致性。图3是对比损失函数的示意图，其中图3(a)是帧与帧之间的个体对比损失函数，图3(b)是帧与视频之间的个体对比损失函数，图3(c)是视频与视频之间的个体对比损失函数。

在一个实施例中，帧与帧之间的对比损失函数设置为：

其中，h代表余弦相似度CosSim，

在一个实施例中，帧与视频之间的对比损失函数：

其中，

在一个实施例中，视频与视频之间的对比损失函数设置为：

其中，

在模型训练过程中，优选地，可以将三种损失函数融合获得总体损失函数，以最大化两个建模分支在帧与帧之间，帧与视频之间以及视频与视频之间的分布一致性为目标获得模型的最优参数，例如，总体损失函数设计为三种损失函数的直接相加或加权融合。

应理解的是，在设计了对偶时空建模的前提下，采用一种损失函数或两种损失函数的融合作为总体损失函数一定程度上也能够提升模型的识别精确度。此外，在模型训练过程中，可根据训练效率和模型精度要求设置不同的参数，例如，K＝3，N＝12，C＝1024。

步骤S130，利用经训练的群体行为识别模型对目标视频进行行为识别。

经训练的模型可用于实际目标视频的群体行为识别，在实际识别时，不计算多级对比损失函数，其余与训练过程基本一致，在此不再赘述。

本发明获得的训练好的模型可应用到客户端或服务器实现多种场景下目标视频中群体行为识别或分析，参见图4所示。服务器可以是计算机、集群或云服务器。客户端可以是智能手机、平板电脑、智能可穿戴设备(智能手表、虚拟现实眼镜、虚拟现实头盔等)、智能车载设备、计算机等电子设备。计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机等。

为进一步验证本发明的效果，进行了实验。实验结果表明，在VolleyballDataset，Collective Dataset和NBA Dataset数据上，与现有技术相比，本发明实现了最优的识别结果。同时，本发明提出的对偶的时空关系建模模块，可以与任意时空建模的群体行为识别方法进行结合，并且结合基于多级别对比损失函数的特征约束可以进一步提升算法的群体行为识别准确率，并降低对训练数据量的依赖。

本发明可应用于多种场景，如智慧城市安防。监控视频中人群行为模式各异，可以更有效地对人群的高危行为，如斗殴，非法集会等进行识别。同时，本发明对训练数据需求量低，更适合被利用于罕见的高危群体行为识别。例如，在城市智能安防场景下，对监控范围内的人群行为进行精准判别，辅助对危害城市行为进行识别和警报。在自动驾驶中，在交通道口，对人群的行为模式判别，对安全的自动驾驶行为十分重要。又如，进行野外动物监控，在一些重点动物保护和野生动物研究区域设有大量的摄像头，群体行为识别技术是野生动物状态检测自动化的重要基础。

综上所述，相对于现有技术，本发明具有以下优势：

1)、第一次利用两种互补的对偶时空建模方法，对视频中的个体进行行为建模，提升了行为识别准确率。而现有技术对时空关系的建模仅通过时间-空间或空间-时间一种方式进行，忽略了时空建模两种顺序的互补性。

2)、本发明从帧与帧之间，帧与视频之间和视频与视频之间三个层级，约束个体特征在两个建模分支之间的一致性，即采用了多级对比损失函数，这种设计进一步提高了识别准确率和模型的鲁棒性，并降低了对训练数据的依赖。而传统的对比损失函数仅关注视频与视频之间的一致性。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。