[发明专利]一种C3D改进方法及机加车间人体行为识别方法

权利要求书

1.通道激励模块改进方法，其特征在于：

借鉴ACTION-Net算法中通道激励模块CE，并对CE进行改进，得到改进后的通道激励模块ICE，利用ICE激励和感知C3D卷积网络提取特征的通道信息；

所述ACTION-Net算法是一种用于动作识别的卷积网络模块；

所述通道是图像的颜色通道，彩色图像的通道数为3，灰度图的颜色通道为1；

所述激励是对通道卷积运算增加图像的通道数，以提取图像的多通道特征，特征提取的输出图像称为特征图；

所述通道卷积运算增加图像的通道数，是通道经卷积运算后，其特征图通道数为2的n次幂，n为卷积核数量，当n=5时，经过卷积运算得到的特征图通道数为2⁵=32，n=6时，经过卷积运算得到的特征图通道数为2⁶=64，n=10时，经过卷积运算得到的特征图通道数为2¹⁰=1024；

所述CE，即通道激励模块（Channel Excitation module）的简称；

所述ICE，即改进后的通道激励模块（Improved Channel Excitation module）的简称；

通道激励模块改进方法，包括以下步骤：

S11、对输入通道激励模块的特征图进行最大池化操作；

S12、对池化操作后的特征图进行3D卷积运算；

S13、改变池化操作后的特征图shape（形状），使得特征图的shape为3；

S14、对改变shape后的特征图进行1D卷积运算；

S15、改变1D卷积运算特征图的shape；

S16、对改变shape后的特征图进行3D卷积运算；

S17、通过Sigmoid激活函数对3D卷积运算后的特征图进行缩放；

S18、将缩放后的特征图与原始输入特征图逐元素相乘；

S19、将逐元素相乘后的特征图与原始输入特征图逐元素相加。

2.C3D改进方法，其特征在于：

将ICE嵌入C3D卷积网络，得到改进C3D后的卷积网络IC3D，将IC3D用于机加车间人体行为识别；

所述C3D是一种用于视频特征提取的3维卷积网络；

所述IC3D是改进C3D后的卷积网络（Improved Convolution 3D，IC3D）的简称；

所述将ICE嵌入到C3D卷积网络，是利用Python语言把权利要求1中的ICE编写为程序模块，加入到C3D卷积网络的第一个池化层之后。

3.机加车间人体行为识别方法，其特征在于：

利用IC3D提取机加车间人体视频段数据的时间特征和空间特征，改变提取特征的维数，并输入到全连接层，根据全连接层的输出实现行为识别；

机加车间人体行为识别方法包括以下步骤：

S31、用训练数据集训练IC3D网络，得到网络模型参数；

S32、加载网络模型参数，利用测试数据对IC3D进行测试；

用训练数据集训练IC3D网络，得到网络模型参数，包括以下步骤：

S3101、载入公开数据集UCF-101，将UCF-101数据集前60%的视频数据用于训练网络模型，中间20%的视频数据用于验证网络模型，后20%的视频数据用于测试网络模型；

S3102、设置全体样本训练次数epochs=120，每批样本数batchsize=16，初始学习率为α=0.0001，动量参数momentum=0.9，权重衰减因子为γ=0.0005；

S3103、数据预处理，在每个视频段数据中抽出16帧图像进行堆叠，得到一个shape为5的训练数据；

S3104、将网络提取到的特征输入全连接层；

S3105、将全连接层输出的特征经Softmax函数运算，把特征值映射到0到1之间；

S3106、选择特征值映射后最大值所对应行为类别，作为网络训练结果，保存模型参数；

加载模型参数，利用测试数据对IC3D进行测试包括以下步骤：

S3201、将训练好的模型参数加载到改进后的IC3D网络中；

S3202、将测试视频数据输入IC3D网络进行测试；

S3203、根据公式评价网络模型精度，其中，P表示测试精度，x_i表示输入数据，y_i是x_i的标签，f表示网络模型IC3D，f(x_i)表示网络模型IC3D对x_i的识别结果，n表示输入数据的数量。