基于視頻的人體狀態(tài)快速識別方法研究

?？滴?祝凱 劉振宇 朱文印 王和龍

摘要：識別人體狀態(tài)與理解人類情感是家電智能化的最終目的，人體許多日常行為并不攜帶明顯的狀態(tài)信息和情感傾向，而諸如跌倒、打哈欠、腰痛等出現(xiàn)頻率較低卻包含豐富的人體狀態(tài)信息。以帶有一定情感傾向或意圖的人體狀態(tài)為研究對象，從公開數(shù)據(jù)集中篩選出9種帶有人體狀態(tài)信息的典型行為，考慮到家居環(huán)境下實(shí)時產(chǎn)生的原始視頻數(shù)據(jù)量龐大、存在特征冗余，提出用相鄰視頻幀做減法得到的RGB連續(xù)差分圖像序列作為輸入，鑒于樣本少，使用常規(guī)大型網(wǎng)絡(luò)容易過擬合，因此采用最新的輕量級網(wǎng)絡(luò)模型MobileNetV2，極大減少訓(xùn)練參數(shù)量，進(jìn)而實(shí)現(xiàn)快速有效的人體狀態(tài)識別。研究結(jié)果表明，本方法能夠達(dá)到較高的準(zhǔn)確率，基本可以滿足家居環(huán)境下的人體狀態(tài)檢測要求。

關(guān)鍵詞：人體狀態(tài)識別;RGB視頻;卷積神經(jīng)網(wǎng)絡(luò);MobileNetV2

中圖分類號：TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號：1006-1037（2021）01-0040-06

基金項目：

山東省新舊動能轉(zhuǎn)換重大課題攻關(guān)項目（批準(zhǔn)號：201905200432）資助。

通信作者：祝凱，男，博士，講師，主要研究方向為機(jī)器視覺與人工智能。E-mail：zhu_kaicom@163.com

隨著物聯(lián)網(wǎng)的快速發(fā)展和智能家居的普及，準(zhǔn)確高效地識別用戶的行為、狀態(tài)、情感、意圖逐漸成為提高智慧家庭智能化水平的關(guān)鍵技術(shù)之一[1]。家居環(huán)境下的情緒識別歸根結(jié)底是理解人的狀態(tài)，推斷人類意圖，進(jìn)而讓機(jī)器做出準(zhǔn)確回應(yīng)[2]。研究表明，當(dāng)人類表達(dá)情感意圖時，語言信號所傳達(dá)的情感信息僅占35%，而非語言信號傳達(dá)的信息占比達(dá)65%[3]。非語言信號主要包括面部表情與人體行為，而實(shí)際場景中由于遮擋、偏移、光照、距離等原因?qū)е旅娌刻卣鳠o法準(zhǔn)確獲取和計算，因此空間尺度更大的人體動作或行為視頻逐漸成為識別情感和預(yù)測意圖的重要數(shù)據(jù)來源[4]。國內(nèi)外學(xué)者對人體行為分類算法進(jìn)行了較多研究。Bull[5]發(fā)現(xiàn)，部分情感與不同的身體姿勢和動作有關(guān)，如興趣或無聊，贊同或反對等。Pollick等[6]發(fā)現(xiàn)，一些特定的上肢手臂運(yùn)動，可以輔助人類以顯著高于基準(zhǔn)水平的準(zhǔn)確度辨別基本情感。Coulson[7]研究發(fā)現(xiàn)，靜態(tài)身體姿勢對于分類識別過程具有重要作用。Castellano等[8]提出了一種根據(jù)人體運(yùn)動指標(biāo)（如幅度、速度和流動性） 識別情緒的方法，通過圖像序列和測試運(yùn)動指標(biāo)建立情緒模型。Saha等[9]使用Kinect傳感器獲得人體骨架數(shù)據(jù)，選取與上肢相關(guān)的11個關(guān)節(jié)，提取不同關(guān)節(jié)間的距離、角度、加速度共9個特征，并比較了集成決策樹、k近鄰、神經(jīng)網(wǎng)絡(luò)等分類器的分類效果。Shen等[10]用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行了一個探索性實(shí)驗，從80個志愿者身上捕獲了43 200個簡單姿態(tài)的RGB視頻，分別使用TSN[11]和ST-GCN[12]提取RGB特征和骨架特征，并取得一定的改進(jìn)。目前在行為分類或通過人的行為推斷情感上已有一定研究，主要表現(xiàn)在數(shù)據(jù)集的建立和分類算法上。實(shí)際上大量的人體日常行為并不能反映明顯的人體狀態(tài)或情感信息（比如站立、行走、喝水，只是日常行為，并不攜帶情感信息），而那些攜帶人體狀態(tài)或情感信息的行為（如咳嗽、跌倒、打噴嚏等）研究的相關(guān)文獻(xiàn)報道很少。這些行為中蘊(yùn)含信息豐富，應(yīng)是重點(diǎn)研究對象。本文以家居場景下實(shí)時監(jiān)控視頻數(shù)據(jù)為研究對象，從NTU RGB+D 120數(shù)據(jù)集[13]中篩選帶有人體狀態(tài)的樣本構(gòu)建成人體狀態(tài)相關(guān)數(shù)據(jù)集，鑒于樣本量少而特征維度過高，因此將RGB原始圖像視頻相鄰幀做減法運(yùn)算，得到RGB差分圖像作為輸入以減少冗余，鑒于樣本少使用常規(guī)大型網(wǎng)絡(luò)容易過擬合，因此采用MobileNetV2輕量級網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)人體狀態(tài)的快速有效識別。

1 方法

1.1 整體框架

本文整體框架如圖1。具體描述如下：

Step 1：對原始的RGB視頻數(shù)據(jù)進(jìn)行一系列預(yù)處理操作之后，通過前后幀相減獲得RGB差分圖像;

Step 2：以連續(xù)的RGB差分圖像序列作為輸入，采用MobileNetV2模型提取特征;

Step 3：對輸入的行為狀態(tài)進(jìn)行分類。

1.2 RGB差分圖像

對于原始RGB圖像序列，通過前后幀對應(yīng)像素值相減，得到RGB差分圖像序列。目的是削弱圖像的相似部分，突出顯示圖像的變化部分，極大減少特征冗余，為后續(xù)模型提供精簡特征輸入。

本文截取了幾幀真實(shí)環(huán)境下的RGB視頻原始圖像及RGB差分圖像，如圖2?？芍谌梭w運(yùn)動狀態(tài)明顯的區(qū)域，RGB差分圖像都能夠很好的以白色區(qū)域的形式表征出來。這是因為單幀的RGB圖像只能顯示出人體靜態(tài)外觀，缺少表征前后幀的上下文信息。而RGB差分圖像，通過前后幀相減操作，可以減除無關(guān)的背景，有效保留兩個連續(xù)幀之間的外觀變化信息。

1.3 深度可分離卷積網(wǎng)絡(luò)

從2016年開始，神經(jīng)網(wǎng)絡(luò)的輕量級模型取得較大進(jìn)展。研究者們分別提出了SqueezeNet[14]、ShuffleNet[15]、NasNet[16]以及MobileNet系列等輕量級網(wǎng)絡(luò)模型。這些模型使移動終端、嵌入式設(shè)備運(yùn)行神經(jīng)網(wǎng)絡(luò)模型成為可能。而MobileNetV2[17]網(wǎng)絡(luò)在輕量級神經(jīng)網(wǎng)絡(luò)中具有較高的應(yīng)用。由于MobileNetV2獨(dú)特的卷積方式以及內(nèi)部結(jié)構(gòu)優(yōu)化，比經(jīng)典的大型網(wǎng)絡(luò)擁有更小的體積、更少的計算量以及較高的準(zhǔn)確率，可在移動終端實(shí)現(xiàn)目標(biāo)檢測、目標(biāo)分類、動作識別和人臉識別等應(yīng)用。

MobileNetV2使用了深度可分離卷積（Depthwise Separable Convolution）。與標(biāo)準(zhǔn)卷積結(jié)構(gòu)不同，深度可分離卷積是一種特別的卷積結(jié)構(gòu)，將標(biāo)準(zhǔn)卷積分解為深度卷積（Depthwise Convolution）和逐點(diǎn)卷積（Pointwise Convolution）兩個步驟，且每一層卷積之后都緊跟著批規(guī)范化和ReLU激活函數(shù)。

1.4 模型比較

相對于VGG-16、InceptionV3等大型經(jīng)典網(wǎng)絡(luò)，本模型需要訓(xùn)練的參數(shù)量大幅減少;與GoogleNet、MobileNetV1相比，其參數(shù)量處于同一數(shù)量級且依然少于兩模型。鑒于模型在參數(shù)量的明顯優(yōu)勢，當(dāng)樣本量較小時使用該模型可有效避免過擬合。

（1）深度卷積。深度卷積的卷積核尺寸為Dk×Dk×1，卷積核個數(shù)與輸入數(shù)據(jù)的通道數(shù)M相對應(yīng)。在常規(guī)卷積中，每個卷積核的維度與輸入維度相同，每個通道單獨(dú)做卷積運(yùn)算再相加;深度卷積時，深度卷積核的維度為1，相當(dāng)于將常規(guī)卷積核拆分成為M個具有單通道形式的卷積核，各個通道獨(dú)立進(jìn)行卷積運(yùn)算無相加操作，可有效降低參數(shù)量的同時，也導(dǎo)致通道之間的信息不流暢。因此需要逐點(diǎn)卷積來完成卷積后的相加操作以整合不同通道的信息。

（2）逐點(diǎn)卷積。逐點(diǎn)卷積的卷積核尺寸為1×1×M，卷積核個數(shù)為輸出通道數(shù)N。普通卷積將不同深度層的權(quán)重都看作為1，然后直接相加，逐點(diǎn)卷積則是將上一層的特征圖在深度方向上進(jìn)行加權(quán)組合，組合各個通道的特征圖，以較少的計算量進(jìn)行降維或升維操作。逐點(diǎn)卷積可以幫助各通道之間的信息流暢。常規(guī)卷積和深度可分離卷積結(jié)構(gòu)對比如圖3[18]。

（3）參數(shù)量對比。假設(shè)標(biāo)準(zhǔn)卷積的卷積核個數(shù)為N，卷積核尺寸為Dk×Dk×M，輸出特征圖的尺寸為Dw×Dh，則標(biāo)準(zhǔn)卷積的計算量為Dk×Dk×M×N×Dw×Dh。深度卷積的計算量為Dk×Dk×M×Dw×Dh，逐點(diǎn)卷積的計算量為M×N×Dw×Dh。

因此，標(biāo)準(zhǔn)卷積與深度可分離卷積的計算量比值為

實(shí)際應(yīng)用中，卷積核的個數(shù)N較大，通常所使用的是3×3的卷積核，即Dk=3時，計算量會下降到原來的1/9～1/8。同時，MobileNetV2網(wǎng)絡(luò)還引入了線性瓶頸層和反向殘差結(jié)構(gòu)，能夠進(jìn)一步減少參數(shù)量，在空間和時間上同時優(yōu)化網(wǎng)絡(luò)。

2 實(shí)驗

2.1 數(shù)據(jù)集及預(yù)處理

NTU RGB+D 120數(shù)據(jù)集[13]是在NTU RGB+D 數(shù)據(jù)集[19]的基礎(chǔ)上擴(kuò)展得到的，樣本規(guī)模由原來的60個類和56 800個視頻樣本擴(kuò)展為120個類和114 480個樣本。這兩個數(shù)據(jù)集都包含每個樣本的 RGB 視頻、深度圖序列、3D骨骼數(shù)據(jù)和紅外視頻4種數(shù)據(jù)模態(tài)。NTU RGB+D 120數(shù)據(jù)集包括日常行為、醫(yī)療相關(guān)行為和交互行為三大類。數(shù)據(jù)集所包含的大量日常動作（如喝水、站立等）并不具有明顯的情感傾向或意圖，從中篩選了9個與醫(yī)療相關(guān)的部分行為狀態(tài)作為研究對象，所選樣本視頻共432個，其中75%作為訓(xùn)練樣本，25%作為測試樣本。分別為：咳嗽、搖晃、跌倒、頭痛、打哈欠、背痛、脖子痛、嘔吐、扇扇子。從數(shù)據(jù)庫中截取的幾類視頻示例如圖4所示。

考慮到數(shù)據(jù)樣本較少，為增加訓(xùn)練的數(shù)據(jù)量，防止過擬合，提高模型的泛化能力，可以使用數(shù)據(jù)增強(qiáng)方法來擴(kuò)充數(shù)據(jù)量。選擇旋轉(zhuǎn)、平移、水平翻轉(zhuǎn)、縮放4種增強(qiáng)方式，對于每幀圖像隨機(jī)選擇2～4種增強(qiáng)方式。由于RGB圖像的像素值在0～255之間，本文對圖像進(jìn)行歸一化處理，使圖像的像素值轉(zhuǎn)化為 0～1 之間分布的數(shù)據(jù)。通過歸一化的方法，可以有效防止仿射變換的影響，減小集合變換的影響，同時加快梯度下降求最優(yōu)解的速度。

2.2 結(jié)果與分析

實(shí)驗使用的CNN是MobileNetV2網(wǎng)絡(luò)，其權(quán)值已在ImageNet預(yù)訓(xùn)練。輸入MobileNetV2網(wǎng)絡(luò)的數(shù)據(jù)維度為（8，224，224，3），即每個視頻隨機(jī)選取8幀，每幀圖像的像素值為224×224，通道數(shù)為3。從MobileNetV2網(wǎng)絡(luò)輸出的數(shù)據(jù)經(jīng)過平均池化，再輸入LSTM，其后面又添加3個全連接層（dense層），每層節(jié)點(diǎn)個數(shù)分別是64、24、9，每層的dropout值為0.5。最后一層使用softmax函數(shù)分類并輸出結(jié)果。

本模型在網(wǎng)絡(luò)訓(xùn)練過程中，使用隨機(jī)梯度下降算法和交叉熵?fù)p失函數(shù)，以精度作為衡量指標(biāo)。實(shí)驗采用TensorFlow框架，Python3.6版本，在配有Geforce RTX 2060的Windows10系統(tǒng)上運(yùn)行。batch-size設(shè)置為4，epoch設(shè)為600。最終平均測試精度達(dá)到80.7%，精度變化曲線和混淆矩陣分別見圖5、圖6。

由圖5可知，隨著訓(xùn)練批次epoch的增加，訓(xùn)練精度和測試精度都逐漸上升。當(dāng)訓(xùn)練批次達(dá)到350左右，訓(xùn)練精度和測試精度逐漸趨于穩(wěn)定，精度值分別上升至85%、75%。在訓(xùn)練階段后期，訓(xùn)練精度已接近90%，測試精度在80%左右。

圖6是經(jīng)網(wǎng)絡(luò)模型預(yù)測出能反映人體狀態(tài)類別的混淆矩陣，由圖可見，打哈欠、跌倒、咳嗽、和扇扇子4類動作狀態(tài)的識別精度最好，準(zhǔn)確率均超過90%，背痛、脖子痛兩類動作狀態(tài)的識別效果稍差，精度在70%左右;頭痛樣本的識別精度不足30%，觀察第四行可知，大量的頭痛標(biāo)簽樣本被錯誤識別為咳嗽或脖子痛。由混淆矩陣第一列數(shù)據(jù)可知，識別準(zhǔn)確率最低的三類動作有一個共同點(diǎn)，即在相當(dāng)程度上都被錯誤識別為咳嗽。分析認(rèn)為，這幾個動作基本都涉及到手部與頭部的組合動作，特征具有較高的相似性，神經(jīng)網(wǎng)絡(luò)未能學(xué)習(xí)到動作間的細(xì)微差別，應(yīng)是識別錯誤的主因;總樣本量為432，樣本量少也是導(dǎo)致模型未能充分挖掘特征的另一個重要原因。

根據(jù)圖7所示的咳嗽和頭痛兩種動作的圖像序列對比可以看出，這兩類動作相似程度較高，即使人眼也容易造成誤判。

3 結(jié)論

RGB差分圖像相對于RGB圖像，能更好獲得幀序列間的動態(tài)變化信息，以RGB差分圖像作為輸入，使用CNN和LSTM的動作識別方法，具體以MobileNetV2和LSTM構(gòu)建網(wǎng)絡(luò)模型，分別提取空間信息和時間信息。并結(jié)合NTU數(shù)據(jù)集中9類有關(guān)人體狀態(tài)的動作進(jìn)行識別，大部分動作的識別精度在80%以上。由于識別準(zhǔn)確率不高的動作比較集中，主要涉及到手部與頭部等兩個身體部位的動作組合，下一步可專門對這些動作進(jìn)行細(xì)致研究，并制作專門的人體狀態(tài)視頻數(shù)據(jù)集，或?qū)Ρ疚乃惴ㄟM(jìn)行改進(jìn)，提高識別準(zhǔn)確率。

參考文獻(xiàn)

[1]鄔晶晶. 基于深度學(xué)習(xí)的情緒識別技術(shù)[M].北京：中國科學(xué)院大學(xué)（中國科學(xué)院深圳先進(jìn)技術(shù)研究院），2020.

[2]KLEINSMITH A， BIANCHI-BERTHOUZE N. Affective body expression perception and recognition： a survey[J]. IEEE Trans on Affective Computing， 2013， 4（1） ： 15-33.

[3]ELMAN J. Encyclopedia of language and Linguistics[M]. 2nd ed. Oxford： Elsevier， 2005

[4]GELDER D. Why bodies？ Twelve reasons for including bodily expressions in affective neuroscience[J]. Philosophical Transactions of the Royal Society B： Biological Sciences， 2009， 364（1535）： 3475-3484.

[5]BULL P. Posture & gesture[M]. Amsterdam： Elsevier， 2016

[6]POLLICK F， PATERSON H， BRUDERLIN A， et al. Perceiving affect from arm movement[J]. Cognition， 2001， 82（2）： B51-B61

[7]COULSON M. Attributing emotion to static body postures： Recognition accuracy， confusions， and viewpoint dependence[J]. Journal of Nonverbal Behavior， 2004， 28（2）： 117-139

[8]CASTELLANO G， VILLALBA S， CAMURRI A. Recognising human emotions from body movement and gesture dynamics[C]// Proc. of International Conference on Affective Computing and Intelligent Interaction.Berlin，2007： 71-82.

[9]SAHA S， DATTA S， KONAR A， et al. A study on emotion recognition from body gestures using Kinect sensor[C]// 2014 International Conference on Communication and Signal Processing. Melmaruvathur， 2014： 56-60.

[10]SHEN Z， CHEN J， HU X， et al. Emotion recognition based on multi-view body gestures[C]// 2019 IEEE International Conference on Image Processing （ICIP）. Taipei， 2019： 3317-3321.

[11]WANG L， XIONG Y， WANG Z， et al. Temporal segment networks for action recognition in videos[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 41（11）： 2740-2755.

[12]YAN S， XIONG Y， LIN D. Spatial temporal graph convolutional networks for skeleton-based action recognition[C]// AAAI Conference on Artificial Intelligence， New Orleans， 2018：7444-7452.

[13]LIU J， SHAHROUDY A， PEREZ M， et al. NTU RGB+D 120： A large-scale benchmark for 3D human activity understanding[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence （TPAMI）， 2019，42（10）： 2684-2701.

[14]FORREST N， SONG H， MATTHEW W， et al. Squeezenet： Alexnet-level accuracy with 50x fewer parameters and <0.5 MB model size[J/OL]. [2020-09-21]. http：//arxiv.org/abs/1602.07360.

[15]ZHANG Z， ZHOU X， LIN M， et al. Shufflenet： An extremely efficient convolutional neural network for mobile devices[C]// IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Salt Lake City， 2018： 6848-6856.

[16]ZOPH B， VASUDEVAN V， SHLENS J， et al. Learning transferable architectures for scalable image recognition[C]// IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Salt Lake City， 2018： 8697-8710.

[17]SANDLER M， HOWARD A， ZHU M， et al. MobileNetV2： Inverted residuals and linear bottlenecks[C]// IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Salt Lake City， 2018： 4510-4520.

[18]HOWARD A， ZHU M， CHEN B， et al. MobileNets： Efficient convolutional neural networks for mobile vision applications. [J/OB] [2020-09-11].http：//arxiv.org/abs/1704.04861.

[19]HOWARD A， ZHU M L， CHEN B， et al. NTU RGB+D： A large scale dataset for 3D human activity analysis[C]// IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas， 2016：1010-1019.