王 燦，高陳強(qiáng)，杜 蓮

(重慶郵電大學(xué) 信號與信息處理重慶市重點(diǎn)實(shí)驗(yàn)室，重慶 400065)

0 引 言

行為識別是智能視頻監(jiān)控系統(tǒng)的關(guān)鍵技術(shù)之一，也是目前計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一。它的主要任務(wù)是從包含人的視頻序列中自動(dòng)識別人體行為。有效的行為識別技術(shù)除了應(yīng)用于視頻監(jiān)控系統(tǒng)，還可以廣泛應(yīng)用于視頻檢索、人機(jī)交互等領(lǐng)域。

目前大部分行為識別研究主要針對可見光視頻進(jìn)行處理。由于可見光是靠反射成像，因此，目前的研究成果在光照條件不佳的情況下面臨諸多挑戰(zhàn)。相比而言，依靠物體熱輻射成像的紅外視頻監(jiān)控系統(tǒng)不僅能排除煙、塵、霧等惡劣天氣的干擾，同時(shí)能實(shí)現(xiàn)晝夜連續(xù)成像工作。隨著紅外成像設(shè)備制造成本的不斷降低，其應(yīng)用會(huì)越來越廣泛。因此，基于紅外視頻的行為識別技術(shù)具有重要的應(yīng)用價(jià)值和廣闊的應(yīng)用前景。

盡管可見光和紅外在成像原理上有很大的不同，但是行為識別方法具有很大的相通性?？傮w上，目前提出的大部分行為識別方法可以分為以下4類：①基于人體結(jié)構(gòu)模型的方法；②基于全局特征的方法;③基于局部特征的方法;④基于卷積神經(jīng)網(wǎng)絡(luò)的方法?；谌梭w結(jié)構(gòu)模型的方法分為線圖法[1]、二維輪廓法[2]和立體模型法[3]，其中，線圖法用骨骼節(jié)點(diǎn)間的連線來表示人體姿勢，是最簡單常用的方法?；谌梭w結(jié)構(gòu)模型的方法將人體簡化為姿勢，簡明直觀。缺點(diǎn)在于行為識別效果非常依賴于姿勢估計(jì)的準(zhǔn)確性，而姿態(tài)估計(jì)本身較為復(fù)雜?；谌痔卣鞯姆椒ㄓ斜尘皽p除法、光流法(optical flow，OF)[4]、運(yùn)動(dòng)歷史圖(motion history image，MHI)[5]等。在這些方法中，OF和MHI更為常用，兩者均能反映人體運(yùn)動(dòng)特征。基于全局特征的方法對提取運(yùn)動(dòng)信息較為有效，但在攝像頭有明顯運(yùn)動(dòng)的情況下需要增加額外的視頻穩(wěn)定模塊?；诰植刻卣鞯拇硇苑椒ㄓ泄饬鞣较蛑狈綀D(histogram of oriented optical flow，HOF)[6]、基于時(shí)空的梯度描述符(3-dimentional histogram of oriented gradient，HOG-3D)[7-8]、時(shí)空興趣點(diǎn)(space-time interest point，STIP)[9]等?；诰植刻卣鞯淖R別在可見光中較易實(shí)現(xiàn)，但由于紅外視頻中缺乏色彩、紋理、角點(diǎn)等信息，這將導(dǎo)致基于局部特征的方法在紅外圖像中識別效果較差?；诰矸e神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)[10]的方法是當(dāng)下主流的方法。Wang等[11]結(jié)合時(shí)空軌跡和CNN，提出了利用CNN對軌跡進(jìn)行特征表達(dá)的方法，極大地提高了行為特征的表達(dá)能力。卷積神經(jīng)網(wǎng)絡(luò)近年來在結(jié)構(gòu)上有里程碑式的突破，網(wǎng)絡(luò)結(jié)構(gòu)趨于更深、更復(fù)雜，識別準(zhǔn)確率也隨之提升。目前，采用雙通道CNN[12-14]進(jìn)行行為識別研究也引起了廣泛的關(guān)注。

總體上，行為識別的精度非常依賴于視頻特征的提取和表達(dá)。有效的特征提取與表達(dá)對行為識別結(jié)果往往具有決定性作用。

紅外視頻由于自身的成像特性，其成像目標(biāo)往往比較模糊，并且缺少色彩紋理信息。同時(shí)，紅外圖像的背景，如車輛、馬路、樹木等，都可能與人體目標(biāo)呈現(xiàn)出相似的亮度，從而易與人體目標(biāo)相混淆。這些因素使得傳統(tǒng)的方法不能較好地進(jìn)行特征提取與表達(dá)，進(jìn)而造成行為識別準(zhǔn)確率不高。

為此，提出了基于顯著性區(qū)域的紅外行為識別方法。采用有效的顯著性檢測技術(shù)重點(diǎn)關(guān)注行為發(fā)生區(qū)域，盡可能地消除背景雜波的干擾，由此，提高視頻特征提取與表達(dá)的有效性。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的方法相比，本文的方法具有較高的識別準(zhǔn)確率。

1 本文紅外行為識別方法

本文的算法框架如圖1所示。第1步，對紅外視頻序列提取光流運(yùn)動(dòng)歷史圖(optical flow-motion history image, OF-MHI)[15]特征，用以充分挖掘原始視頻的運(yùn)動(dòng)信息；第2步，采用類別激活映射(class activation map，CAM)[16]方法，獲得圖像中興趣目標(biāo)的顯著性區(qū)域圖，并把該顯著性區(qū)域圖當(dāng)作興趣目標(biāo)權(quán)重圖與提取的OF-MHI特征圖進(jìn)行融合，從而獲得消除干擾的顯著性區(qū)域特征圖；第3步，把獲得的顯著性區(qū)域特征圖輸入CNN網(wǎng)絡(luò)中進(jìn)一步提取有效特征，作為行為視頻的最終特征表達(dá)，然后采用支持向量機(jī)(support vector machine，SVM)[17]分類器完成行為分類。

1.1 OF-MHI特征

在行為識別領(lǐng)域，已經(jīng)廣泛證明視頻的運(yùn)動(dòng)信息對行為識別的性能具有決定作用。提取運(yùn)動(dòng)信息可以在一定程度上減小紅外視頻中缺少色彩、紋理等因素的影響。同時(shí)也可以減少非運(yùn)動(dòng)目標(biāo)的影響。本文選取流行的OF-MHI[15]視頻特征。

OF-MHI方法將光流與MHI兩者相結(jié)合。在傳統(tǒng)的MHI方法中，每個(gè)被檢測出來的前景像素點(diǎn)都會(huì)被分配一個(gè)固定的強(qiáng)度值τ。身體運(yùn)動(dòng)快和慢的部分會(huì)被分配同樣的運(yùn)動(dòng)強(qiáng)度。在光流法中，時(shí)空上的光流強(qiáng)度s(x,y)是由每個(gè)獨(dú)立的像素點(diǎn)(x,y)在時(shí)間上累加得到，由此產(chǎn)生的強(qiáng)度值表示該位置的歷史運(yùn)動(dòng)速度。它能更好地描述運(yùn)動(dòng)物體的局部運(yùn)動(dòng)。光流本身也用作前景分割提取運(yùn)動(dòng)物體。在傳統(tǒng)的MHI中，運(yùn)動(dòng)持續(xù)時(shí)間由固定參數(shù)值τ決定。它用一個(gè)指數(shù)更新過程來調(diào)節(jié)每個(gè)像素位置運(yùn)動(dòng)的時(shí)空變化。OF-MHI[15]的表達(dá)式為

E(x,y,t)=s(x,y,t)+α·E(x,y,t-1)

(1)

(1)式中：s(x,y,t)表示像素(x,y)在第t幀的光流強(qiáng)度；α是更新速率(0<α<1)；運(yùn)動(dòng)強(qiáng)度E由每個(gè)像素點(diǎn)的光流強(qiáng)度s(x,y,t)自適應(yīng)地給出。

圖1 本文的算法框圖Fig.1 Framework of the proposed method

在OF-MHI中，前景點(diǎn)的像素值會(huì)被加強(qiáng)。如果像素點(diǎn)持續(xù)是前景點(diǎn)，則像素值會(huì)以指數(shù)權(quán)重α累加。當(dāng)像素點(diǎn)變成背景點(diǎn)時(shí)，就以衰減率為α的指數(shù)衰減。較大的α值會(huì)使累計(jì)運(yùn)動(dòng)強(qiáng)度緩慢衰減，時(shí)間模板會(huì)記錄下長時(shí)間的運(yùn)動(dòng)過程。一個(gè)較小的α值會(huì)使運(yùn)動(dòng)強(qiáng)度加速衰減，時(shí)間模板只會(huì)記錄下短時(shí)間運(yùn)動(dòng)過程。對于場景中的緩慢移動(dòng)的目標(biāo)，例如走路的人，只需要一個(gè)較小的更新率(大約0.95)來描述運(yùn)動(dòng)。

為防止指數(shù)更新過程產(chǎn)生的量化誤差，OF-MHI[15]的表達(dá)式定義為

(2)

(2)式中，

如果光流長度s(x,y,t)非常小，表明像素點(diǎn)(x,y)是一個(gè)背景點(diǎn)。εs是一個(gè)閾值參數(shù)。本文通過實(shí)驗(yàn)確定該閾值為0.85時(shí)，可以取得較好的效果。由于運(yùn)動(dòng)目標(biāo)在相鄰幀之間的光流變化并不明顯，本文通過調(diào)節(jié)實(shí)驗(yàn)參數(shù)觀察特征圖效果，選擇將原始光流長度s(x,y,t)按照初始值20放大4倍，這個(gè)參數(shù)設(shè)定下特征圖的效果最明顯。

1.2 顯著性區(qū)域的獲取

OF-MHI提取的是所有運(yùn)動(dòng)信息，在這些運(yùn)動(dòng)信息中還包含很多干擾信息，比如場景中走動(dòng)的與行為無關(guān)的行人、運(yùn)動(dòng)的車輛、晃動(dòng)的樹木等。這些干擾信息往往會(huì)影響視頻特征的描述能力。為此，引入顯著性區(qū)域檢測機(jī)制來重點(diǎn)關(guān)注行為發(fā)生的區(qū)域。

本文采用CAM[16]方法獲取顯著性區(qū)域，其流程圖如圖2所示。對于行為類別c，該類行為的CAM表示通過CNN得到的與該類行為密切相關(guān)的區(qū)域顯著性程度激活映射圖。本文中將得到的CAM轉(zhuǎn)換為0～255的二維權(quán)重矩陣使用。

CAM提取顯著性區(qū)域的主要過程是首先選擇一個(gè)主要由卷積層(convolutional layer)構(gòu)成的網(wǎng)絡(luò)模型。本文中用的是VGG-16網(wǎng)絡(luò)模型。然后去掉原網(wǎng)絡(luò)模型的全連接層(fully connection layer)，得到新的網(wǎng)絡(luò)模型VGG-CAM。在最后的輸出層(softmax層)之前，對卷積特征圖作全局平均池化(global average pooling，GAP)，輸出的是最后一個(gè)卷積層的每個(gè)單元的特征映射的空間平均值。將得到的特征作為全連接層的特征來產(chǎn)生理想的輸出。再把輸出層的權(quán)重值映射回卷積特征圖上。最后，通過計(jì)算最后一個(gè)卷積層的特征映射的加權(quán)和來生成需要的CAM。下面針對softmax層具體地介紹這個(gè)過程。

圖2 顯著性區(qū)域檢測過程Fig.2 Process of saliency region detection

給定一幀圖像，fk(x,y)表示最后一個(gè)卷積層上第k個(gè)單元在空間位置(x,y)的激活程度。對于第k個(gè)單元，全局平均池化之后的總激活程度為

(x,y)

(3)

所以，對于給定的行為類別c，輸入到softmax層的對應(yīng)類別分?jǐn)?shù)為

(4)

(5)

(6)

定義Mc為行為類別c的CAM，每個(gè)空間元素則是

(7)

1.3 CNN-SVM行為識別

得到顯著性區(qū)域特征圖之后，將其縮放到227×227大小，輸入VGG-16網(wǎng)絡(luò)，取倒數(shù)第2個(gè)全連接層(圖1中fc7層)的輸出作為最后的視頻特征表達(dá)。之后用SVM對其進(jìn)行行為分類，得出每個(gè)視頻的行為識別結(jié)果。

1.4 算法實(shí)現(xiàn)細(xì)節(jié)

在對輸入的原始視頻流提取OF-MHI特征時(shí)，嘗試了對參數(shù)α取不同值比較特征圖效果，如圖3所示。當(dāng)α=0.96時(shí)，特征圖中運(yùn)動(dòng)信息最為豐富。α值越小，運(yùn)動(dòng)信息越不明顯。

圖3 不同參數(shù)值設(shè)置下的特征圖對比Fig.3 Comparison of feature maps of differentparameter values

本文的算法實(shí)現(xiàn)中，用到了2個(gè)CNN網(wǎng)絡(luò)，分別是原始的VGG-16和VGG-CAM。在微調(diào)(fine-tune)網(wǎng)絡(luò)這個(gè)步驟，本文不采用傳統(tǒng)微調(diào)網(wǎng)絡(luò)的方法，即對網(wǎng)絡(luò)的所有層進(jìn)行微調(diào)。本文方法首先是固定其余層的參數(shù)，對VGG-CAM網(wǎng)絡(luò)的前3層卷積層進(jìn)行微調(diào)。訓(xùn)練適當(dāng)輪數(shù)后，再對整個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。VGG-16也用同種方法進(jìn)行微調(diào)。表1中為用不同方法微調(diào)網(wǎng)絡(luò)，最終選取網(wǎng)絡(luò)模型的softmax層對測試數(shù)據(jù)計(jì)算出的準(zhǔn)確率。結(jié)果表明，本文采用的網(wǎng)絡(luò)微調(diào)方法能取得更高的識別準(zhǔn)確率。

表1 網(wǎng)絡(luò)反饋結(jié)果對比

在網(wǎng)絡(luò)的訓(xùn)練過程中，為防止過擬合現(xiàn)象，在確保訓(xùn)練、測試樣本均能體現(xiàn)背景復(fù)雜度及季節(jié)變化等前提下，我們從每個(gè)行為類別中隨機(jī)選取35個(gè)視頻作為訓(xùn)練樣本，其余15個(gè)作為測試樣本。VGG-CAM與VGG-16所使用的訓(xùn)練樣本和測試樣本一致。在最后的SVM分類步驟，也用同樣的訓(xùn)練、測試樣本。

2 實(shí)驗(yàn)結(jié)果分析

我們在紅外行為識別數(shù)據(jù)集InfAR[18]上對本文提出的方法進(jìn)行了測試。該紅外數(shù)據(jù)集包含12類動(dòng)作：wave1，wave2，handclap，walk，jog，jump，skip，fight，handshake，hug，push，punch，如圖4所示。每類動(dòng)作有50個(gè)視頻樣本，每個(gè)視頻樣本持續(xù)時(shí)間為3～7 s，幀率為25幀/s，分辨率為293×256 。視頻的拍攝場景貼合實(shí)際情況，體現(xiàn)出了背景復(fù)雜度、季節(jié)差異、行為的類間差異、遮擋的有無以及視角的變化等。

圖4 InfAR 紅外行為數(shù)據(jù)集的12類動(dòng)作Fig.4 12 action types of the InfAR dataset

2.1 網(wǎng)絡(luò)微調(diào)策略

在基于深度學(xué)習(xí)技術(shù)的識別中，對現(xiàn)有網(wǎng)絡(luò)進(jìn)行微調(diào)是一個(gè)重要的步驟。對于本文的方法，在采用1.4節(jié)介紹的方法對VGG-CAM網(wǎng)絡(luò)進(jìn)行微調(diào)時(shí)，有2種選擇，即采用原始紅外圖像進(jìn)行微調(diào)和采用OF-MHI特征圖像進(jìn)行微調(diào)。

圖5為2種數(shù)據(jù)微調(diào)網(wǎng)絡(luò)獲得的顯著性區(qū)域圖的對比。圖5a為紅外原圖；圖5b為基于紅外圖像的微調(diào)結(jié)果；圖5c為基于運(yùn)動(dòng)特征圖的微調(diào)結(jié)果。由圖5c可知，基于OF-MHI特征圖的微調(diào)策略可以獲得更干凈的背景，其顯著性區(qū)域更加準(zhǔn)確可靠。表2中為基于2種數(shù)據(jù)微調(diào)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)果與最終結(jié)果比較。進(jìn)一步說明這種顯著性區(qū)域檢測可靠性對最終行為識別算法準(zhǔn)確率的影響非常明顯。

圖5 不同數(shù)據(jù)微調(diào)網(wǎng)絡(luò)獲得的顯著性區(qū)域圖Fig.5 Saliency regions based on different networktraining data

%

2.2 對比實(shí)驗(yàn)

為了驗(yàn)證本文方法的有效性，選取常用的幾種行為識別方法與本文算法的結(jié)果進(jìn)行比較，包括基于運(yùn)動(dòng)歷史圖的梯度特征(motion history image-histogram of oriented gradient，MHI-HOG)[19]，密集軌跡特征(dense trajectory，DT)[20]，HOF[6]，HOG-3D[7]與STIP[9]等特征提取方法，獲取特征之后，采用目前效果較好的Fisher Vector編碼方法[21]進(jìn)行特征編碼，最后用SVM分類器進(jìn)行分類識別，得出識別準(zhǔn)確率。此外，還有基于雙通道CNN的Two Stream方法[22]。以上方法均是對整張圖像提取特征。

此外，為了驗(yàn)證顯著性區(qū)域?qū)π袨樽R別效果的重要性，在本文方法基礎(chǔ)上移除顯著性區(qū)域提取模塊，再構(gòu)造了一種對比方法。該算法框圖如圖6所示，首先對紅外視頻流直接提取OF-MHI特征，微調(diào)VGG-16網(wǎng)絡(luò)后，再把特征圖輸入VGG-16網(wǎng)絡(luò)中進(jìn)一步提取特征，最后輸入SVM分類器進(jìn)行識別。本文采用行為識別領(lǐng)域通用的識別準(zhǔn)確率(又稱查準(zhǔn)率)作為算法的評價(jià)標(biāo)準(zhǔn)，即分類正確的樣本數(shù)占樣本總數(shù)的比例。

圖6 本文方法移除顯著性區(qū)域檢測模塊后的算法框圖Fig.6 Proposed method without saliency region detection module

為了保證實(shí)驗(yàn)對比的公平性，所有對比方法的訓(xùn)練集與測試集的選取均與本文方法一致。各種方法的實(shí)驗(yàn)結(jié)果如表3所示。從表3中可以看出，相對于所有對比方法，本文提出的方法性能得到了顯著性的提高。在所有的對比方法中，密集軌跡特征方法的識別效果最好，為66.7%。這是因?yàn)樵摲椒ň哂休^為強(qiáng)大的特征表達(dá)能力。盡管如此，這些傳統(tǒng)方法的特征表達(dá)仍然面臨背景雜波干擾的影響。本文的方法加入了顯著性區(qū)域檢測模塊，重點(diǎn)關(guān)注行為發(fā)生的區(qū)域，從而減少背景雜波的干擾。因此，本文方法可以達(dá)到最高的(74.4%)的識別準(zhǔn)確率。而移除顯著性檢測模塊后，算法的性能明顯降低(見表3倒數(shù)第2行)。這進(jìn)一步驗(yàn)證了顯著性區(qū)域檢測模塊在視頻特征提取中的重要性。

表3 不同方法的實(shí)驗(yàn)結(jié)果對比Tab.3 Comparison of experimental results of different methods %

表4中為本文方法在每類行為分類上的準(zhǔn)確率，并與同樣采用深度學(xué)習(xí)技術(shù)的Two Stream[21]方法進(jìn)行了對比。由表4可知，由于walk，wave1和wave2動(dòng)作的簡單重復(fù)性，2種方法在其上均取得較高準(zhǔn)確率。而punch和push動(dòng)作復(fù)雜且互相難以區(qū)分，2類方法在其上取得的準(zhǔn)確率較低。本文方法在絕大部分行為類別上的識別準(zhǔn)確率均比Two Stream方法更高或者持平。

表4 每類行為識別準(zhǔn)確率Tab.4 Recognition accuracy of each action type %

我們對算法的運(yùn)行時(shí)間做了評估。實(shí)驗(yàn)環(huán)境為Linux操作系統(tǒng)的PC機(jī)，其中，CPU為Intel I7，GPU為Nvidia Geforce GTX TITAN X，內(nèi)存64 GByte。測試樣本共有180個(gè)視頻，共有29 858幀，在Matlab平臺(tái)下總運(yùn)行時(shí)長為3.299 h，處理速度為2.519幀/s。

3 結(jié)束語

提出了一種基于顯著性區(qū)域的紅外行為識別方法。該方法將運(yùn)動(dòng)特征OF-MHI與顯著性區(qū)域結(jié)合，最大可能地消除背景雜波與行人的干擾。同時(shí)，采用深度學(xué)習(xí)技術(shù)提取有效的特征表達(dá)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的行為識別方法相比，提出方法具有較高的準(zhǔn)確率。在未來的研究中，將對算法進(jìn)行進(jìn)一步優(yōu)化，提高算法的運(yùn)算速度。