行为识别：行人跌倒检测（含源码）
赞
踩
本文抛砖引玉为大家提供一个行为识别的案例，大家也可以根据该方法实现更多任务，也可以提供一些改进的方法。
本项目主要检测7类行为：Standing，Walking，Sitting，Lying Down，Stand up，Sit down，Fall Down。算法主要分三部分：
- YOLOv3-tiny用于行人检测
- DeepSort用于行人跟踪
- ST-GCN用于行为检测
YOLO系列在笔者之前博客有讲解，DeepSort也比较常见（如有需要笔者另择时间讲解），本文主要讲一下ST-GCN方法。
ST-GCN
给出一个动作视频的骨架序列信息，首先构造出表示该骨架序列信息的图结构，ST-GCN的输入就是图节点上的关节坐标向量，然后是一系列时空图卷积操作来提取高层的特征，最后用SofMax分类器得到对应的动作分类。整个过程实现了端到端的训练。
骨架的图结构
设一个有N个节点和T帧的骨架序列的时空图为G=(V,E)，其节点集合为V={vti|t=1,…,T,i=1,…,N}，第t帧的第i个节点的特征向量F(vti)由该节点的坐标向量和估计置信度组成。
图结构由两个部分组成：
- 根据人体结构，将每一帧的节点连接成边，这些边形成
spatial edgesES={vtivtj|(i,j)∈H}。H是一组自然连接的人体关节。 - 将连续两帧中相同的节点连接成边，这些边形成
temporal edgesEF={vtiv(t+1)i}。
蓝色圆点表示身体关节。人体关节间的体内边缘是根据人体的自然联系来定义的。帧间边缘连接连续帧之间的相同关节。关节坐标用作ST-GCN的输入。
空间图卷积网络
以常见的图像的二维卷积为例，针对某一位置x的卷积输出可以写成如下形式：
f
o
u
t
(
x
)
=
∑
h
=
1
K
∑
w
=
1
K
f
i
n
(
P
(
x
,
h
,
w
)
)
⋅
W
(
h
,
w
)
(1)
f_{out}(x)=\sum_{h=1}^K\sum_{w=1}^Kf_{in}(P(x,h,w))·W(h,w) \tag{1}
fout(x)=h=1∑Kw=1∑Kfin(P(x,h,w))⋅W(h,w)(1)
输入通道数为c的特征图fin，卷积核大小K×K，sampling function采样函数P(x,h,w)=x+P′(h,w)，weight function通道数为c的权重函数。
（1）sampling function
在图像中，采样函数P(h,w)指的是以x像素为中心的周围邻居像素，在图中，邻居像素集合被定义为：
B
(
v
t
i
)
=
{
v
t
j
∣
d
(
v
t
j
,
v
t
i
)
≤
D
}
(2)
B(v_{ti})=\{v_{tj}|d(v_{tj},v_{ti})≤D\} \tag{2}
B(vti)={vtj∣d(vtj,vti)≤D}(2)
d(vtj,vti)指的是从vtj到vti的最短距离，因此采样函数可以写成：
P
(
v
t
i
,
v
t
j
)
=
v
t
j
(3)
P(v_{ti},v_{tj})=v_{tj} \tag{3}
P(vti,vtj)=vtj(3)
（2）weight function
在2D卷积中，邻居像素规则地排列在中心像素周围，因此可以根据空间顺序用规则的卷积核对其进行卷积操作。类比2D卷积，在图中，将sampling function得到的邻居像素划分成不同的子集，每一个子集有一个数字标签，因此有lti : B(vti)→{0,…,K−1}。将一个邻居节点映射到对应的子集标签，权重方程为：
W
(
v
t
i
,
v
t
j
)
=
W
′
(
l
t
i
(
v
t
j
)
)
(4)
W(v_{ti},v_{tj})=W^{'}(l_{ti}(v_{tj})) \tag{4}
W(vti,vtj)=W′(lti(vtj))(4)
（3）空间图卷积
f
o
u
t
(
v
t
i
)
=
∑
v
t
j
∈
B
(
v
t
i
)
1
Z
t
i
(
v
t
j
)
f
i
n
(
P
(
v
t
i
,
v
t
j
)
)
⋅
W
(
v
t
i
,
v
t
j
)
(5)
f_{out}(v_{ti})=\sum_{v_{tj}\in B(v_{ti})}\frac{1}{Z_{ti}(v_{tj})}f_{in}(P(v_{ti},v_{tj}))·W(v_{ti},v_{tj}) \tag{5}
fout(vti)=vtj∈B(vti)∑Zti(vtj)1fin(P(vti,vtj))⋅W(vti,vtj)(5)
其中，归一化项
Z
t
i
(
v
t
j
)
=
∣
{
v
t
k
∣
l
t
i
(
v
t
k
)
=
l
t
i
(
v
v
t
j
)
}
∣
(6)
Z_{ti}(v_{tj})=|\{v_{tk}|l_{ti}(v_{tk})=l_{ti}(v_{vtj})\}| \tag{6}
Zti(vtj)=∣{vtk∣lti(vtk)=lti(vvtj)}∣(6)
等价于对应子集的基。将式(3)(4)代入式(5)得到：
f
o
u
t
(
v
t
i
)
=
∑
v
t
j
∈
B
(
v
t
i
)
1
Z
t
i
(
v
t
j
)
f
i
n
(
v
t
j
)
⋅
W
(
l
t
i
(
v
t
j
)
)
(7)
f_{out}(v_{ti})=\sum_{v_{tj}\in B(v_{ti})}\frac{1}{Z_{ti}(v_{tj})}f_{in}(v_{tj})·W(l_{ti}(v_{tj})) \tag{7}
fout(vti)=vtj∈B(vti)∑Zti(vtj)1fin(vtj)⋅W(lti(vtj))(7)
（4）时空模型
将空间域模型扩展到时间域，得到采样函数：
B
(
v
t
i
)
=
{
v
q
j
∣
d
(
v
t
j
,
v
t
i
)
≤
K
,
∣
q
−
t
∣
≤
⌊
Γ
/
2
⌋
}
(8)
B(v_{ti})=\{v_{qj}|d(v_{tj},v_{ti})\leq K,|q-t|\leq\lfloor\Gamma/2\rfloor \} \tag{8}
B(vti)={vqj∣d(vtj,vti)≤K,∣q−t∣≤⌊Γ/2⌋}(8)
参数
Γ
\Gamma
Γ控制时间域卷积核大小，weight function为
l
S
T
(
v
q
j
)
=
l
t
i
(
v
t
j
)
+
(
q
−
t
+
⌊
Γ
/
2
⌋
)
×
K
(9)
l_{ST}(v_{qj})=l_{ti}(v_{tj})+(q-t+\lfloor\Gamma/2\rfloor)\times K \tag{9}
lST(vqj)=lti(vtj)+(q−t+⌊Γ/2⌋)×K(9)
其中，
l
t
i
(
v
t
j
)
l_{ti}(v_{tj})
lti(vtj)是vti处单帧情况的标签映射。这样，就对构造的时空图定义了卷积运算。
划分子集
（a）输入骨架的示例帧，身体关节用蓝点绘制。D=1的滤波器的接收域用红色虚线圆圈表示。
（b）唯一划分 Uni-labeling：将节点的1邻域划分为一个子集。
（c）基于距离的划分 Distance partitioning：将节点的1邻域划分为两个子集，节点本身子集与邻节点子集。
（d）空间构型划分 Spatial configuration partitioning：将节点的1邻域划分为3个子集，第一个子集连接了空间位置上比根节点更远离整个骨架的邻居节点，第二个子集连接了更靠近中心的邻居节点，第三个子集为根节点本身，分别表示了离心运动、向心运动和静止的运动特征。
注意力机制
在运动过程中，不同的躯干重要性是不同的。例如腿的动作可能比脖子重要，通过腿部我们甚至能判断出跑步、走路和跳跃，但是脖子的动作中可能并不包含多少有效信息。
因此，ST-GCN 对不同躯干进行了加权（每个 ST-GCN单元都有自己的权重参数用于训练）。
TCN
GCN 帮助我们学习了到空间中相邻关节的局部特征。在此基础上，我们需要学习时间中关节变化的局部特征。如何为 Graph 叠加时序特征，是图卷积网络面临的问题之一。这方面的研究主要有两个思路：时间卷积（TCN）和序列模型（LSTM）。
ST-GCN 使用的是 TCN，由于形状固定，可以使用传统的卷积层完成时间卷积操作。为了便于理解，可以类比图像的卷积操作。ST-GCN 的 feature map最后三个维度的形状为(C,V,T)，与图像 feature map的形状(C,W,H)相对应。
- 图像的通道数C对应关节的特征数C。
- 图像的宽W对应关键帧数V。
- 图像的高H对应关节数T。
在图像卷积中，卷积核的大小为w×1，则每次完成 w 行像素，1 列像素的卷积。stride为 s，则每次移动 s 像素，完成 1 行后进行下 1 行像素的卷积。
在时间卷积中，卷积核的大小为temporal_kernel_size×1，则每次完成 1 个节点，temporal_kernel_size个关键帧的卷积。stride为 1，则每次移动1帧，完成1个节点后进行下1个节点的卷积。
训练
输入的数据首先进行batch normalization，然后在经过9个ST-GCN单元，接着是一个global pooling得到每个序列的256维特征向量，最后用SoftMax函数进行分类，得到最后的标签。
每一个ST-GCN采用Resnet的结构，前三层的输出有64个通道，中间三层有128个通道，最后三层有256个通道，在每次经过ST-CGN结构后，以0.5的概率随机将特征dropout，第4和第7个时域卷积层的strides设置为2。用SGD训练，学习率为0.01，每10个epochs学习率下降0.1。
ST-GCN 最末卷积层的响应可视化结果图如下：
Models
gitee仓库（仓库的Models文件夹使用上面Models包替换，否则会有模型序列化问题）
备用源码
参考
[1].ST-GCN论文
[2].ST-GCN笔记
[3].ST-GCN官方代码
