[发明专利]一种人工智能监控方法

权利要求书

1.一种人工智能监控方法，通过特征提取图卷积网络获取动作特征，再根据动作特征进行人体动作预测和人体动作识别，从而实现人工智能监控。

2.根据权利要求1所述的人工智能监控方法，其特征在于，包括以下步骤：

S1、构建特征提取图卷积网络，用于提取动作特征；

S2、构建动作识别网络和动作预测网络，根据提取的动作特征，进行动作识别和动作预测；

S3、对特征提取图卷积网络、动作识别网络和动作预测网络进行训练，获得监控模型。

3.根据权利要求2所述的人工智能监控方法，其特征在于，

在步骤S1中，所述动作特征为能够体现人体动作状态的矩阵，所述构建特征提取图卷积网络包括以下子步骤:

S11、将图像信息转换为人体骨架，作为图卷积网络的输入；

S12、确定图卷积网络参数。

4.根据权利要求3所述的人工智能监控方法，其特征在于，

在步骤S11中，将图像中不同骨骼简化为线段，将线段连接形成人体骨架，通过邻接矩阵对人体骨架进行数学表达，

其中，将代表不同骨骼线段的端点作为邻接矩阵的顶点，将线段作为邻接矩阵的边，从而获得人体骨架的邻接矩阵A。

5.根据权利要求3所述的人工智能监控方法，其特征在于，

在步骤S12中，图卷积层卷积核包括固定卷积核和关联卷积：

所述固定卷积核用于描述人体骨架中相互连接的骨骼对人体动作的影响；

所述关联卷积核用于描述人体骨架中非连接的骨骼对人体动作的影响。

6.根据权利要求5所述的人工智能监控方法，其特征在于，

所述固定卷积核表示为：

其中，σ()为非线性激活函数；

操作表示元素的乘积，上标l表示不同的卷积层；

M^l为第l层的可学习矩阵，其用于表示邻接矩阵A中不同边的权重；

W^l表示第l层的权重参数矩阵；

X^l表示第l层的卷积层的输出，也是第l+1层的输入；

I是单位矩阵，是的度矩阵。

7.根据权利要求5所述的人工智能监控方法，其特征在于，

所述关联卷积核可以表示为：

X^l+1＝σ(A_pX^lW^l)

其中，A_p为可训练邻接矩阵，其大小与邻接矩阵A相同。

8.根据权利要求6或7所述的人工智能监控方法，其特征在于，

将固定卷积核和关联卷积核加和后作为特征提取图卷积网络最终的卷积核，表示为：

其中λ表示超参数，λ∈[0,1]，用以调整固定卷积核和关联卷积核之间的注意比例。

9.根据权利要求3所述的人工智能监控方法，其特征在于，

在相邻的图卷积层之间还具有时间卷积层，用以捕获图像帧序列中的动作特征。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1-9任一项中所述的方法。