跌倒異常行為的雙重殘差網(wǎng)絡(luò)識(shí)別方法*

王新文，謝林柏，彭 力

物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程研究中心（江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院），江蘇無(wú)錫 214122

1 引言

異常行為識(shí)別是視頻行為識(shí)別領(lǐng)域中的重要研究方向，對(duì)社會(huì)安全和發(fā)展具有重要意義。跌倒識(shí)別作為異常行為識(shí)別任務(wù)之一，尤其老人跌倒識(shí)別，是關(guān)愛(ài)弱勢(shì)群體的重要研究課題。根據(jù)聯(lián)合國(guó)2015年世界人口老齡化報(bào)告，在2015年至2030年間，年齡在60歲及以上的人數(shù)預(yù)計(jì)將增長(zhǎng)55%[1]。每年全球估計(jì)有64.6萬(wàn)人死于跌倒，有3 730萬(wàn)人跌倒嚴(yán)重到需要醫(yī)療照顧[2]。隨著計(jì)算機(jī)視覺(jué)技術(shù)和傳感器技術(shù)的發(fā)展，國(guó)內(nèi)外對(duì)老人跌倒檢測(cè)進(jìn)行了研究，并取得了一定的進(jìn)展[3-8]。根據(jù)跌倒檢測(cè)的方式，跌倒檢測(cè)主要分為兩類，基于可穿戴設(shè)備[4,7]和視覺(jué)圖像[5-6,8]的跌倒檢測(cè)方法?；谝曈X(jué)圖像技術(shù)是對(duì)攝像設(shè)備采集的視頻或圖像數(shù)據(jù)進(jìn)行跌倒識(shí)別處理。Mirmahboub等人[8]使用背景建模的方法提取運(yùn)動(dòng)目標(biāo)輪廓，然后根據(jù)運(yùn)動(dòng)目標(biāo)輪廓的特征進(jìn)行行為分類。Kong等人[5]通過(guò)深度相機(jī)和Canny濾波器得到二值圖像的輪廓，然后根據(jù)輪廓圖像中的每個(gè)白色像素的切線向量角度判斷動(dòng)作行為是否為跌倒。Min等人[6]使用快速區(qū)域卷積網(wǎng)絡(luò)[9]檢測(cè)人體形狀的縱橫比、質(zhì)心和運(yùn)動(dòng)速度，通過(guò)這些特征隨時(shí)間的變化關(guān)系來(lái)判斷動(dòng)作行為是否為跌倒。

隨著深度學(xué)習(xí)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在圖像處理[10-11]和視頻分析[12-16]領(lǐng)域取得了很大的突破。與傳統(tǒng)方法相比，深度學(xué)習(xí)有較強(qiáng)的特征學(xué)習(xí)能力。在視頻行為識(shí)別領(lǐng)域中，行為特征提取主要采用兩種思路。第一種是采用二維卷積分別提取RGB和光流圖像的空間特征和時(shí)間特征[12]。第二種是直接使用三維卷積神經(jīng)網(wǎng)絡(luò)提取圖像序列的時(shí)空特征，如三維卷積網(wǎng)絡(luò)（3-dimensional convolutional networks，C3D）[13]、三維殘差網(wǎng)絡(luò)（3D residual networks，3DResnet）[15]、偽三維殘差（pseudo-3D residual networks，P3D）[14]等。Tran等人[13]把二維卷積拓展到三維提取時(shí)空特征，該方法將時(shí)間和空間信息在一個(gè)卷積網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)完成，速度較快。為改善深層結(jié)構(gòu)帶來(lái)的梯度消失問(wèn)題，He等人[11]提出二維殘差網(wǎng)絡(luò)（residual network，Resnet）結(jié)構(gòu)，Hara等人[15]把二維Resnet擴(kuò)展到三維得到3D-Resnet，提高了行為識(shí)別效果。Qiu等人[14]在殘差結(jié)構(gòu)基礎(chǔ)上提出一種偽3D的P3D模型，用1×3×3的空間卷積和3×1×1的時(shí)間卷積代替3×3×3的時(shí)空卷積，降低了模型計(jì)算量。Tran等人[16]也提出了一種用空間卷積和時(shí)間卷積代替3×3×3時(shí)空卷積的2+1維殘差網(wǎng)絡(luò)（(2+1)D residual network，R(2+1)D）。不同于P3D包含三種殘差模塊，R(2+1)D僅包含一種殘差模塊，并進(jìn)行了超參數(shù)設(shè)計(jì)。

當(dāng)監(jiān)控視角、動(dòng)作姿態(tài)和場(chǎng)景等復(fù)雜時(shí)，為了使深度學(xué)習(xí)方法提取更有效的視覺(jué)特征，需要通過(guò)增加卷積網(wǎng)絡(luò)的層數(shù)來(lái)增強(qiáng)模型表征能力。以上3D卷積網(wǎng)絡(luò)方法中，C3D網(wǎng)絡(luò)的參數(shù)較多，不適合進(jìn)行深層的拓展；3D-Resnet是一種殘差結(jié)構(gòu)，更適用于模型的深層拓展，但是模型訓(xùn)練時(shí)仍然存在梯度消失問(wèn)題，導(dǎo)致訓(xùn)練損失下降慢、模型過(guò)擬合和測(cè)試識(shí)別率低。

針對(duì)以上問(wèn)題，本文提出了一種雙重殘差網(wǎng)絡(luò)模型（double 3D residual network，D3D）用于跌倒識(shí)別。雙重殘差網(wǎng)絡(luò)模型是通過(guò)在殘差網(wǎng)絡(luò)中嵌套殘差網(wǎng)絡(luò)，使得卷積網(wǎng)絡(luò)層數(shù)加深時(shí)，誤差反向傳播的梯度能夠傳入淺層卷積，緩解訓(xùn)練時(shí)梯度消失問(wèn)題，并充分融合了淺層和深層視覺(jué)特征。本文將雙重殘差網(wǎng)絡(luò)在UCF101行為識(shí)別數(shù)據(jù)集和多相機(jī)跌倒數(shù)據(jù)集（multiple cameras fall dataset，MCFD）上進(jìn)行了測(cè)試，驗(yàn)證了提出的雙重殘差網(wǎng)絡(luò)對(duì)削弱梯度消失影響的有效性。最后，在MCFD和熱舒夫大學(xué)跌倒數(shù)據(jù)集（UR fall dataset，URFD）上進(jìn)行了跌倒識(shí)別實(shí)驗(yàn)，分別達(dá)到了較好的效果，有效地解決了在監(jiān)控視角、人體姿態(tài)和場(chǎng)景等復(fù)雜的情況下跌倒識(shí)別率較低的問(wèn)題。

2 基于雙重殘差卷積網(wǎng)絡(luò)的跌倒識(shí)別方法

2.1 基于3D卷積網(wǎng)絡(luò)的跌倒識(shí)別方法

卷積神經(jīng)網(wǎng)絡(luò)是一種通過(guò)卷積和池化等操作從圖片中提取更為高級(jí)和抽象特征的深度學(xué)習(xí)模型。二維卷積只能夠有效地提取二維圖像的空間特征，而三維卷積可以提取到視頻圖像序列的時(shí)間和空間特征。是第i層的第j特征圖上(x,y,z)位置處的特征值，如式（1）所示：

其中，F(xiàn)為非線性函數(shù)，如Relu、Softmax。P、Q、R分別是3D卷積核的高、寬和時(shí)間維度大小，是卷積核點(diǎn)(p,q,r)與上一層第m個(gè)特征圖相連接的權(quán)重，b為卷積核的偏置。

跌倒和蹲下以及坐下等其他日常行為復(fù)雜多樣，并且在不同的攝像角度下呈現(xiàn)不同的姿態(tài)，如圖1[17]。傳統(tǒng)跌倒識(shí)別算法[5-6,8]需要對(duì)視頻進(jìn)行大量的預(yù)處理，如背景減除和提取輪廓等，而基于3D卷積網(wǎng)絡(luò)的方法可以通過(guò)訓(xùn)練學(xué)習(xí)模型來(lái)自動(dòng)提取視頻中動(dòng)作的時(shí)空特征，從而對(duì)跌倒、行走和蹲下等其他日常行為以及背景（沒(méi)有動(dòng)作發(fā)生）進(jìn)行分類識(shí)別。基于3D卷積網(wǎng)絡(luò)的行為識(shí)別框架如圖2所示。

Fig.1 Types of fall and daily action圖1 跌倒及日常動(dòng)作類型

Fig.2 Fall recognition method based on 3D convolution neural network圖2 基于3D卷積神經(jīng)網(wǎng)絡(luò)的跌倒識(shí)別方法

將幀長(zhǎng)為L(zhǎng)的視頻序列V輸入到3D卷積模型進(jìn)行動(dòng)作識(shí)別。由于3D卷積模型輸入維度固定，因此將視頻序列V劃分為幀長(zhǎng)為l的視頻單元，步長(zhǎng)為δ，則，T為視頻單元總數(shù)。把視頻單元ut輸入到3D卷積網(wǎng)絡(luò)模型輸出yt，經(jīng)Softmax層得出n類行為的概率值

取所有測(cè)試單元的Softmax層輸出的均值作為最終的結(jié)果p。

則p中最大的概率值pmax所對(duì)應(yīng)的類別標(biāo)簽i即為最終的識(shí)別結(jié)果。

2.2 雙重殘差卷積網(wǎng)絡(luò)

當(dāng)人體行為姿態(tài)和場(chǎng)景復(fù)雜時(shí)，為了提取更深層次和更抽象的時(shí)空特征，需要增加卷積網(wǎng)絡(luò)的深度，但是三維卷積網(wǎng)絡(luò)深度過(guò)大時(shí)，會(huì)產(chǎn)生梯度消失的問(wèn)題。梯度消失是在誤差反向傳播訓(xùn)練模型時(shí)，越靠前的卷積層權(quán)重參數(shù)的梯度值越小，使得淺層卷積的權(quán)重參數(shù)無(wú)法進(jìn)行調(diào)整，這會(huì)導(dǎo)致模型訓(xùn)練收斂速度緩慢和模型表征能力變差。為了解決梯度消失問(wèn)題，He等人[11]提出了二維殘差卷積網(wǎng)絡(luò)，有效地提高了圖片分類的精度。由于人體行為不僅包含圖像空間信息還包含時(shí)間信息，因此把二維殘差網(wǎng)絡(luò)擴(kuò)展到三維殘差網(wǎng)絡(luò)得到3D-Resnet[15]。本文在進(jìn)行行為識(shí)別實(shí)驗(yàn)時(shí)發(fā)現(xiàn)，3D-Resnet網(wǎng)絡(luò)模型仍出現(xiàn)梯度消失、損失收斂速度緩慢和測(cè)試精度差的問(wèn)題。因此為了進(jìn)一步削弱網(wǎng)絡(luò)加深帶來(lái)的梯度消失影響，提高模型質(zhì)量和跌倒識(shí)別精度，本文對(duì)3D-Resnet改進(jìn)如下：

定義一個(gè)3D-Resnet單元為：

其中，x、y為殘差單元的輸入與輸出，F(xiàn)(x,W)是x經(jīng)過(guò)兩個(gè)三維卷積輸出的特征圖。W1、W2為殘差單元卷積核的權(quán)重，σ為Relu激活函數(shù)。為了方便顯示，把卷積中的偏置舍棄。

圖3給出了兩個(gè)相連接的3D-Resnet單元結(jié)構(gòu)，輸出為：

其中,F1(x,W)、F2(x,W)是分別經(jīng)過(guò)卷積輸出的特征圖。W1、W2、W3、W4為殘差單元中卷積核的參數(shù)矩陣。3D-Resnet單元內(nèi)部卷積層通道梯度為卷積層輸出對(duì)輸入的導(dǎo)數(shù):

Fig.3 3D-Resnet unit and D3D unit圖3 3D-Resnet和D3D單元

把圖3中兩個(gè)3D-Resnet作為一個(gè)整體模塊。假設(shè)一個(gè)殘差網(wǎng)絡(luò)中共有M殘差模塊相連接，則訓(xùn)練誤差反向傳播時(shí)，殘差網(wǎng)絡(luò)的第m(0 ≤m≤M)模塊層的梯度為：

其中,J為誤差函數(shù)，Y(m) 為第m模塊層的輸出和m+1層的輸入為第i模塊內(nèi)部卷積層通道梯度。根據(jù)式（8）可知，3D-Resnet第m模塊層的梯度為其后面所有內(nèi)部卷積層通道梯度之積。隨著網(wǎng)絡(luò)的加深會(huì)導(dǎo)致第m層的梯度較小或接近于0，造成梯度消失情形。

為了進(jìn)一步削弱梯度消失的影響，令第m模塊層的梯度為:

式（9）中加入“1”的目的是為了在進(jìn)行誤差反向傳播時(shí)，使得模型淺層卷積的梯度不接近于0，從而避免梯度消失，使得淺層卷積參數(shù)得到充分訓(xùn)練。因此對(duì)于每一個(gè)殘差模塊，內(nèi)部卷積層通道梯度為：

則y的網(wǎng)絡(luò)結(jié)構(gòu)形式是在殘差結(jié)構(gòu)中再嵌套兩個(gè)殘差模塊。同時(shí)針對(duì)跌倒視頻數(shù)據(jù)集小的特點(diǎn)并為了防止模型出現(xiàn)過(guò)擬合情形，本文通過(guò)減少殘差模塊內(nèi)部的非線性函數(shù)數(shù)量，提高模型線性表征能力，形成了一種雙重殘差網(wǎng)絡(luò)（D3D）[15]，如圖3所示。

對(duì)比反向傳播梯度公式（8）和（9），改進(jìn)的殘差單元D3D內(nèi)嵌套兩個(gè)3D-Resnet殘差單元可以削弱梯度消失影響，從而保證模型參數(shù)充分得到學(xué)習(xí)和訓(xùn)練。同理為了拓展模型的深度，在D3D單元內(nèi)嵌套多個(gè)3D-Resnet殘差單元，如圖4所示。

Fig.4 Improved structure of D3D unit圖4 改進(jìn)結(jié)構(gòu)的D3D單元模塊

2.3 D3D網(wǎng)絡(luò)模型及損失函數(shù)構(gòu)造

考慮到跌倒數(shù)據(jù)集視頻數(shù)量較小，為了便于和3D-Resnet[15]對(duì)比，以3D-Resnet為基準(zhǔn)模型，分別構(gòu)建網(wǎng)絡(luò)層數(shù)為18層和34層的D3D模型。D3D的網(wǎng)絡(luò)層數(shù)、卷積核數(shù)量和大小與文獻(xiàn)[15]里的3D-Resnet相同，但兩者的內(nèi)部結(jié)構(gòu)連接方式不同。

構(gòu)建的D3D網(wǎng)絡(luò)模型結(jié)構(gòu)如下：

（1）輸入層（Input）第一個(gè)卷積層（conv1）和第一個(gè)下采樣層（Max Pool）與3D-Resnet相同。

（2）4個(gè)D3D殘差模塊，每個(gè)D3D殘差模塊包含不同數(shù)量的3D-Resnet單元模塊（Block）。其中每個(gè)3D-Resnet單元包含2個(gè)卷積層，大小為3×3×3，并去除了內(nèi)部的非線性函數(shù)提高線性表征能力。每個(gè)3D卷積核的數(shù)量在4個(gè)模塊中分別為64、128、256、512，與3D-Resnet相同。D3D殘差模塊在模型中用于解決梯度消失問(wèn)題。

（3）第二個(gè)下采樣層（Average Pool）采用3×3×3的均值池化操作進(jìn)行特征融合。

（4）全連接層（FC）和Softmax，其輸出維度大小為動(dòng)作種類的數(shù)量。Softmax分類器接在全連接層后面，輸出每個(gè)視頻所屬行為類別的概率。

圖5給出了D3D網(wǎng)絡(luò)模型結(jié)構(gòu)，而對(duì)于18層的D3D網(wǎng)絡(luò)結(jié)構(gòu)，每個(gè)D3D模塊包含2個(gè)3D-Resnet單元，即圖5中n1～n4都為2。同時(shí)對(duì)模型進(jìn)行深層拓展，構(gòu)建34層的D3D模型，網(wǎng)絡(luò)層數(shù)與3D-Resnet相同。對(duì)于34層的D3D模型結(jié)構(gòu)，同樣包含1個(gè)卷積層、4個(gè)D3D模塊和1個(gè)全連接層，4個(gè)D3D模塊內(nèi)部分別含有3、4、6、3個(gè)3D-Resnet單元。表1給出了18層和34層D3D模型的具體參數(shù)以及輸入輸出大小。為了充分地提取時(shí)序特征，所有的卷積采用的時(shí)間步長(zhǎng)為1。為了降低維度并充分提取空間特征，conv1、conv5_1、conv5_3采用降采樣方法，空間步長(zhǎng)為2，其余卷積的空間步長(zhǎng)為1。由于網(wǎng)絡(luò)模型各層卷積核的數(shù)量和步長(zhǎng)參數(shù)設(shè)置不同，導(dǎo)致基于跨連接方式的殘差結(jié)構(gòu)輸入與輸出特征圖的維度不一致而不能直接相加，采用1×1×1卷積來(lái)調(diào)整維度。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集

Fig.5 Double residual network structure圖5 雙重殘差網(wǎng)絡(luò)結(jié)構(gòu)

Table 1 Parameters of D3D structure表1 D3D結(jié)構(gòu)參數(shù)

MCFD[17]是由在同一房間位于不同位置和角度的8個(gè)攝像頭拍攝而成，包含24個(gè)場(chǎng)景視頻，幀率120 frame/s。每個(gè)場(chǎng)景包含不同的動(dòng)作，如跌倒、行走、做家務(wù)和下蹲等。根據(jù)實(shí)驗(yàn)需求，將數(shù)據(jù)集中每個(gè)視頻剪切成單一動(dòng)作的視頻片段，時(shí)間長(zhǎng)度為1～3 s，其中跌倒視頻持續(xù)時(shí)間為1 s左右。表2給出了剪切好的視頻數(shù)量，包含8個(gè)類別，分別是背景、行走、跌倒、躺下、坐下或坐起來(lái)、下蹲或匍匐、做家務(wù)、假摔。實(shí)驗(yàn)時(shí)將數(shù)據(jù)集隨機(jī)分成5個(gè)子集，進(jìn)行5折交叉驗(yàn)證。

Table 2 MCFD quantity distribution表2 MCFD數(shù)量分布

URFD[18]包含70個(gè)活動(dòng)（30個(gè)跌倒和40個(gè)日常動(dòng)作），視頻總數(shù)量為100個(gè)，幀率30 frame/s，其中跌倒視頻是由兩個(gè)位于不同位置和角度的攝像頭拍攝得來(lái)。將視頻剪切成單一行為的視頻片段，持續(xù)時(shí)間1～4 s。URFD數(shù)據(jù)集的行為分為4個(gè)類別，分別是跌倒、走、坐下或躺下以及其他日?；顒?dòng)（彎腰、下蹲和趴著等），對(duì)應(yīng)的視頻數(shù)量如表3所示。

Table 3 URFD quantity distribution表3 URFD數(shù)量分布

UCF101[19]是從YouTube收集的具有101個(gè)類別的動(dòng)作視頻數(shù)據(jù)集，一共包含13 320個(gè)視頻，每個(gè)時(shí)長(zhǎng)2～15 s，幀率25 frame/s。該數(shù)據(jù)集大致可以分為5種動(dòng)作：人與物互動(dòng)、人與人的互動(dòng)、肢體動(dòng)作、演奏樂(lè)曲和體育運(yùn)動(dòng)。把UCF101數(shù)據(jù)集劃分為兩部分，訓(xùn)練集和測(cè)試集，劃分比例為4∶1。此數(shù)據(jù)集在本文僅用于評(píng)估D3D模型緩解梯度消失問(wèn)題的泛化能力。

3.2 實(shí)驗(yàn)參數(shù)設(shè)置及訓(xùn)練測(cè)試細(xì)節(jié)

為了便于模型訓(xùn)練測(cè)試，并減少連續(xù)圖片幀之間的冗余信息，首先以一定的采樣頻率將每個(gè)視頻轉(zhuǎn)為圖片序列。根據(jù)經(jīng)驗(yàn)，UCF101視頻每秒間隔采樣5張圖片，URFD視頻每秒間隔采樣6張圖片。由于MCFD數(shù)據(jù)集的原始視頻幀率為120 frame/s，因此每個(gè)視頻轉(zhuǎn)為圖片序列時(shí)，每秒間隔采樣25張圖片。訓(xùn)練測(cè)試時(shí)，采用數(shù)據(jù)增強(qiáng)技術(shù)[20]，把視頻采樣的圖片按照中心剪切，將其裁剪成112×112作為網(wǎng)絡(luò)模型的輸入。模型訓(xùn)練時(shí)，從訓(xùn)練集的每個(gè)圖片序列中隨機(jī)選取連續(xù)的16幀圖片序列作為網(wǎng)絡(luò)模型的輸入，則卷積網(wǎng)絡(luò)模型的輸入大小是16×112×112。

采用隨機(jī)梯度下降算法對(duì)模型進(jìn)行優(yōu)化，動(dòng)量參數(shù)為0.9。為了防止模型過(guò)擬合，全連接層在訓(xùn)練時(shí)加入dropout，并設(shè)置dropout為0.5。學(xué)習(xí)速率設(shè)為0.000 1，批量大小為8，迭代次數(shù)（epoch）為50。采用呈正態(tài)分布的隨機(jī)數(shù)作為參數(shù)初始化，標(biāo)準(zhǔn)差為0.01。本文實(shí)驗(yàn)的軟件和硬件環(huán)境為Tensorflow1.8、Ubuntu16.04和GeForce GPU1070Ti。

測(cè)試階段如圖2所示，從每個(gè)測(cè)試視頻中的圖片序列中重疊采樣連續(xù)16幀的圖片作為一個(gè)測(cè)試單元，以14幀為步長(zhǎng)（即相鄰采樣重疊幀數(shù)為2，經(jīng)驗(yàn)值）。將每個(gè)視頻的所有測(cè)試單元輸入到網(wǎng)絡(luò)模型中，計(jì)算所有Softmax輸出的平均值作為該視頻最終的測(cè)試結(jié)果。每個(gè)視頻對(duì)應(yīng)一個(gè)動(dòng)作類別標(biāo)簽，如果測(cè)試得到的視頻分類結(jié)果和標(biāo)簽相同，則該視頻被判斷為正確識(shí)別。

3.3 評(píng)估指標(biāo)

通常跌倒識(shí)別算法使用以下指標(biāo)來(lái)進(jìn)行評(píng)估：

（1）準(zhǔn)確率（accuracy，Ac）：跌倒與其他日常行為被正確分類的比例。

（2）靈敏度（sensitivity，Se）：跌倒被正確識(shí)別出的比例。

（3）特異性（specificity，Sp）：日常行為沒(méi)有被識(shí)別為跌倒的比例。

其中，TP（true positive）代表被正確識(shí)別為跌倒的數(shù)量；FP（false positive）代表其他日常行為被錯(cuò)誤地識(shí)別為跌倒的數(shù)量；TN（true negative）代表其他日常行為沒(méi)有被識(shí)別為跌倒的數(shù)量；FN（false negative）代表跌倒被錯(cuò)誤地識(shí)別為其他行為的數(shù)量。

3.4 D3D模型梯度消失問(wèn)題評(píng)估

為了驗(yàn)證本文提出的D3D殘差模型對(duì)緩解梯度消失問(wèn)題的效果，本文采用D3D和3D-Resnet的18層和34層網(wǎng)絡(luò)在數(shù)據(jù)集UCF101和MCFD進(jìn)行訓(xùn)練。不同節(jié)點(diǎn)梯度值變化和模型損失函數(shù)值變化，如圖6、圖7所示。

由于篇幅原因，僅給出了D3D和3D-Resnet模型在卷積淺層conv2_1和深層conv5_1的梯度均值，如圖6所示。從圖6中可以發(fā)現(xiàn)，3D-Resnet的conv2_1處的梯度較小接近于0，而D3D模型增加了conv2_1的梯度，并且conv2_1和conv5_1的梯度值差距相比3D-Resnet較小，驗(yàn)證了公式（8）和（9）的理論分析，表明D3D緩解了梯度消失問(wèn)題。從圖7中可以看出，與相同層數(shù)的3D-Resnet相比，D3D結(jié)構(gòu)模型的損失函數(shù)收斂速度較快，表明D3D網(wǎng)絡(luò)模型削弱了誤差反向傳播時(shí)梯度消失問(wèn)題，使得模型參數(shù)得到充分訓(xùn)練而且加快了模型損失收斂速度。

3.5 跌倒識(shí)別實(shí)驗(yàn)

3.5.1 跌倒識(shí)別實(shí)驗(yàn)結(jié)果及分析

將MCFD數(shù)據(jù)集隨機(jī)分成5個(gè)子集，視頻數(shù)量分別是169、169、169、169、168。把其中4個(gè)子集用于訓(xùn)練，剩余1個(gè)作為測(cè)試集，進(jìn)行5折交叉驗(yàn)證（Fold1、Fold2、Fold3、Fold4、Fold5）。

Fig.6 Node gradient value curve圖6 節(jié)點(diǎn)梯度值變化曲線

Fig.7 Iterative training curve of loss function圖7 損失函數(shù)迭代訓(xùn)練曲線

為了充分顯示D3D和3D-Resnet網(wǎng)絡(luò)模型對(duì)跌倒識(shí)別的效果，表4、表5列出了18層的D3D和3DResnet進(jìn)行5折交叉驗(yàn)證的結(jié)果。從表4、表5特異性、靈敏度和準(zhǔn)確率的平均數(shù)據(jù)可以看出，D3D模型對(duì)跌倒識(shí)別的效果均超過(guò)了3D-Resnet，分別提升了0.101、0.167、0.117。說(shuō)明改進(jìn)后的殘差網(wǎng)絡(luò)增強(qiáng)了模型質(zhì)量，降低了跌倒的誤檢率和漏檢率，提高了跌倒的識(shí)別率。MCFD數(shù)據(jù)集的動(dòng)作種類較多且較為復(fù)雜，本文改進(jìn)的殘差網(wǎng)絡(luò)方法在MCFD數(shù)據(jù)集上得到了較大的提升，說(shuō)明D3D模型解決了由于監(jiān)控視角、人體姿態(tài)和場(chǎng)景等復(fù)雜情況下導(dǎo)致模型識(shí)別性能較低的問(wèn)題。

Table 4 Cross-validation results of D3D-18 on MCFD dataset表4 D3D-18在MCFD數(shù)據(jù)集上的交叉驗(yàn)證結(jié)果

Table 5 Cross-validation results of 3D-Resnet-18 on MCFD dataset表5 3D-Resnet-18在MCFD數(shù)據(jù)集上的交叉驗(yàn)證結(jié)果

為了驗(yàn)證D3D模型對(duì)跌倒識(shí)別的泛化能力，本文在URFD跌倒數(shù)據(jù)集上進(jìn)行5折交叉驗(yàn)證。將數(shù)據(jù)集隨機(jī)分成5個(gè)子集，視頻數(shù)量分別是30、30、32、29、32。把其中4個(gè)子集用于訓(xùn)練，剩余1個(gè)作為測(cè)試集。

從表6和表7的數(shù)據(jù)對(duì)比分析看出，相對(duì)于3DResnet模型，D3D模型在跌倒數(shù)據(jù)集上的特異性、靈敏度和準(zhǔn)確率的均值都有較大的提升，由此說(shuō)明本文提出的D3D模型在跌倒識(shí)別中具有良好的泛化性能。

3.5.2 與其他3D卷積算法對(duì)比

為了更為客觀地顯示本文改進(jìn)的3D殘差卷積網(wǎng)絡(luò)模型的性能和在跌倒識(shí)別上的有效性，表8列出了幾種3D卷積網(wǎng)絡(luò)算法在數(shù)據(jù)集MCFD和URFD上的測(cè)試結(jié)果以及Tensorflow模型存儲(chǔ)大小。

Table 6 Cross-validation results of D3D-18 on URFD dataset表6 D3D-18在URFD數(shù)據(jù)集上的交叉驗(yàn)證結(jié)果

Table 7 Cross-validation results of 3D-Resnet-18 on URFD dataset表7 3D-Resnet-18在URFD數(shù)據(jù)集上的交叉驗(yàn)證結(jié)果

對(duì)比兩個(gè)數(shù)據(jù)集的識(shí)別結(jié)果發(fā)現(xiàn)，18層和34層D3D模型的評(píng)估指標(biāo)特異性、靈敏度和準(zhǔn)確率結(jié)果均比3D-Resnet優(yōu)越，說(shuō)明改進(jìn)的殘差網(wǎng)絡(luò)的性能得到了提升。同時(shí)發(fā)現(xiàn)如下問(wèn)題：D3D和3D-Resnet的18層與34層在兩個(gè)數(shù)據(jù)集上的識(shí)別效果不一致，34層結(jié)構(gòu)在數(shù)據(jù)集MCFD上的指標(biāo)Se、Ac效果較18層網(wǎng)絡(luò)結(jié)構(gòu)差。這是因?yàn)閿?shù)據(jù)集MCFD的行為種類較多且復(fù)雜，而且模型卷積層數(shù)較深，導(dǎo)致深層模型的卷積參數(shù)不能較好地學(xué)習(xí)，造成過(guò)擬合，但是從3DResnet和D3D的34層相對(duì)于18層跌倒評(píng)估指標(biāo)Se、Ac的增量（分別為-0.168、-0.014和-0.065、-0.007）可以看出，D3D-34的增量較大。由此可以說(shuō)明D3D相對(duì)于3D-Resnet性能得到了提升，進(jìn)一步降低了模型過(guò)擬合的影響，提高了跌倒識(shí)別效果。

與其他3D卷積算法C3D、P3D和R(2+1)D進(jìn)行對(duì)比，本文提出的D3D網(wǎng)絡(luò)模型在兩個(gè)數(shù)據(jù)集上的識(shí)別效果較好。P3D和R(2+1)D是簡(jiǎn)化后的63和35層殘差結(jié)構(gòu)模型，兩者都采用1×3×3的空間卷積和3×1×1的時(shí)間卷積代替3×3×3卷積，其優(yōu)點(diǎn)是模型參數(shù)少和存儲(chǔ)較小。與同是殘差結(jié)構(gòu)的P3D和R(2+1)D相比，改進(jìn)后的雙重殘差模型D3D在兩個(gè)跌倒數(shù)據(jù)集上的識(shí)別效果較好。這是因?yàn)楸疚脑跉埐罹W(wǎng)絡(luò)中嵌套殘差網(wǎng)絡(luò)，一方面緩解了梯度消失問(wèn)題，另一方面進(jìn)一步融合了淺層和深層的特征。C3D模型和本文提出的D3D模型跌倒識(shí)別效果接近，這是因?yàn)镃3D卷積網(wǎng)絡(luò)由8個(gè)卷積層和2個(gè)全連接層以及池化層構(gòu)成，網(wǎng)絡(luò)層數(shù)較低，因此受梯度消失的影響較小，使得模型參數(shù)得到較好訓(xùn)練。與殘差網(wǎng)絡(luò)模型相比，C3D模型參數(shù)較多，模型存儲(chǔ)量較大。

Table 8 Performance comparison of several convolution models on MCFD and URFD表8 幾種卷積模型在MCFD、URFD上的性能比較

綜合以上分析，本文提出的雙重殘差網(wǎng)絡(luò)D3D改善了相同層數(shù)的3D-Resnet模型出現(xiàn)的過(guò)擬合導(dǎo)致跌倒識(shí)別率低的問(wèn)題，同時(shí)在監(jiān)控視角、人體姿態(tài)和場(chǎng)景等復(fù)雜的情況下D3D殘差網(wǎng)絡(luò)取得了較好的識(shí)別效果，提高了3D卷積網(wǎng)絡(luò)在跌倒識(shí)別中的精度。

4 結(jié)束語(yǔ)

針對(duì)直接通過(guò)增加卷積網(wǎng)絡(luò)層數(shù)來(lái)提取有效的視覺(jué)特征容易出現(xiàn)梯度消失和過(guò)擬合，從而導(dǎo)致行為識(shí)別率較低的問(wèn)題，本文提出了一種基于雙重殘差網(wǎng)絡(luò)的跌倒異常行為識(shí)別方法。通過(guò)在殘差網(wǎng)絡(luò)中嵌套殘差網(wǎng)絡(luò)，充分融合了淺層和深層視覺(jué)特征，從而能夠進(jìn)一步降低卷積模型訓(xùn)練時(shí)梯度消失和模型過(guò)擬合的影響。在UCF101和MCFD行為數(shù)據(jù)集上進(jìn)行了驗(yàn)證，D3D模型有效地緩解了相同卷積層數(shù)的殘差卷積網(wǎng)絡(luò)模型的梯度消失問(wèn)題。最后，將D3D網(wǎng)絡(luò)模型在MCFD和URFD兩個(gè)跌倒數(shù)據(jù)集上進(jìn)行驗(yàn)證，性能優(yōu)于3D-Resnet、C3D、P3D和R(2+1)D卷積算法，表明了D3D算法對(duì)跌倒識(shí)別的有效性和可行性。

本文通過(guò)分析和改進(jìn)跨連接方式的殘差網(wǎng)絡(luò)來(lái)緩解模型梯度消失問(wèn)題，從而提高了異常行為識(shí)別的準(zhǔn)確率，但是仍然存在不足。因此下一步研究方向，將結(jié)合殘差網(wǎng)絡(luò)并通過(guò)加寬卷積網(wǎng)絡(luò)融合不同多尺度的視頻特征進(jìn)行行為識(shí)別分析。