行为识别：行人跌倒检测（含源码）

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

ST-GCN结构图

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={v_ti|t=1,…,T,i=1,…,N}，第t帧的第i个节点的特征向量F(v_ti)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 edges E_S={v_tiv_tj|(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 edges E_F={v_tiv_(t+1)i}。

骨架结构

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：
$$f_{out}(x)=\sum _{h=1}^K\sum _{w=1}^K{f}_{in}(P(x,h,w))\cdot W(h,w)\text{\hspace{1em}(1)}$$
输入通道数为c的特征图f_in，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：
$$B(v_{ti})=\{v_{tj}|d(v_{tj},v_{ti})\le D\}\text{\hspace{1em}(2)}$$
d(v_tj,v_ti)指的是从v_tj到v_ti的最短距离，因此采样函数可以写成：
$$P(v_{ti},v_{tj})=v_{tj}\text{\hspace{1em}(3)}$$
（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l_ti : B(v_ti)→{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：
$$W(v_{ti},v_{tj})=W^{{}^{\prime }}(l_{ti}(v_{tj}))\text{\hspace{1em}(4)}$$
（3）空间图卷积

$$f_{out}(v_{ti})=\sum _{v_{tj}\in B(v_{ti})}\frac{1}{Z_{ti}(v_{tj})}{f}_{in}(P(v_{ti},v_{tj}))\cdot W(v_{ti},v_{tj})\text{\hspace{1em}(5)}$$
其中，归一化项
$$Z_{ti}(v_{tj})=|\{v_{tk}|l_{ti}(v_{tk})=l_{ti}(v_{vtj})\}|\text{\hspace{1em}(6)}$$
等价于对应子集的基。将式(3)(4)代入式(5)得到：
$$f_{out}(v_{ti})=\sum _{v_{tj}\in B(v_{ti})}\frac{1}{Z_{ti}(v_{tj})}{f}_{in}(v_{tj})\cdot W(l_{ti}(v_{tj}))\text{\hspace{1em}(7)}$$
（4）时空模型

将空间域模型扩展到时间域，得到采样函数：
$$B(v_{ti})=\{v_{qj}|d(v_{tj},v_{ti})\le K,|q-t|\le \lfloor \Gamma /2\rfloor \}\text{\hspace{1em}(8)}$$
参数$\Gamma$控制时间域卷积核大小，weight function为
$$l_{ST}(v_{qj})=l_{ti}(v_{tj})+(q-t+\lfloor \Gamma /2\rfloor )\times K\text{\hspace{1em}(9)}$$
其中，$l_{ti}(v_{tj})$是v_ti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：

源码
Models
笔者Gitee主页

参考

[1].ST-GCN论文

[2].ST-GCN笔记

[3].ST-GCN官方代码

补：基于几何判断的跌倒检测算法