[发明专利]基于选择聚集规范化图卷积网络的行为识别方法及系统

权利要求书

1.基于选择聚集规范化图卷积网络的行为识别方法，其特征在于，包括：

获取待识别用户的连续多帧行为骨架图；

将连续多帧行为骨架图输入若干个依次连接的选择聚集规范化图卷积网络，逐层获得行为深度特征，行为深度特征依次经过全局平均池化层和全连接层后，得到待识别用户的行为类别；

其中，每个选择聚集规范化图卷积网络均包括分解路径、联合路径和非局部路径，所述分解路径、联合路径和非局部路径同时捕获的输入特征的时空依赖特征，经相加操作后，经过多尺度时间卷积网络，得到所述行为深度特征。

2.如权利要求1所述的基于选择聚集规范化图卷积网络的行为识别方法，其特征在于，所述分解路径包括依次连接的基于邻居图选择聚集规范化的低级聚合层、逐点空间卷积高级聚合层和两个多尺度时间卷积网络。

3.如权利要求2所述的基于选择聚集规范化图卷积网络的行为识别方法，其特征在于，所述基于邻居图选择聚集规范化的低级聚合层的具体操作包括：

对于输入骨架图，根据邻居节点和根节点的距离和位置关系对邻居节点标号，实现邻居图的选择聚合规范化，最后将输入骨架图分解为若干个骨架子图的邻接矩阵；

基于各骨架子图的邻接矩阵，进行同标号节点的平均池化，得到输出特征。

4.如权利要求1所述的基于选择聚集规范化图卷积网络的行为识别方法，其特征在于，所述联合路径包括依次连接的基于邻居图选择聚集规范化的低级聚合层、时空联合卷积高级聚合层和两个多尺度时间卷积网络。

5.如权利要求1所述的基于选择聚集规范化图卷积网络的行为识别方法，其特征在于，所述非局部路径包括依次连接的基于非局部邻接矩阵的低级聚合层、逐点空间卷积高级聚合层和两个多尺度时间卷积网络。

6.如权利要求5所述的基于选择聚集规范化图卷积网络的行为识别方法，其特征在于，所述基于非局部邻接矩阵的低级聚合层的具体操作包括：

基于输入特征，计算节点间的相似性矩阵；

基于节点间的相似性矩阵，计算非局部邻接矩阵；

基于非局部邻接矩阵，计算输出特征。

7.如权利要求1所述的基于选择聚集规范化图卷积网络的行为识别方法，其特征在于，所述多尺度时间卷积网络采用多个并列设置的卷积块对输入特征进行操作，并对多个卷积块的输出进行通道连接后进行相加操作，得到输出特征。

8.基于选择聚集规范化图卷积网络的行为识别系统，其特征在于，包括：

数据获取模块，其被配置为：获取待识别用户的连续多帧行为骨架图；

行为识别模块，其被配置为：将连续多帧行为骨架图输入若干个依次连接的选择聚集规范化图卷积网络，逐层获得行为深度特征，行为深度特征依次经过全局平均池化层和全连接层后，得到待识别用户的行为类别；

其中，每个选择聚集规范化图卷积网络均包括分解路径、联合路径和非局部路径，所述分解路径、联合路径和非局部路径同时捕获的输入特征的时空依赖特征，经相加操作后，经过多尺度时间卷积网络，得到所述行为深度特征。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于选择聚集规范化图卷积网络的行为识别方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于选择聚集规范化图卷积网络的行为识别方法中的步骤。