基于人体骨架序列的视频行为识别

2019-08-22 本文已影响0人谢小帅

整体思路

Reference: Yan S, Xiong Y, Lin D. Spatial temporal graph convolutional networks for skeleton-based action recognition[C]//Thirty-Second AAAI Conference on Artificial Intelligence. 2018.

fig1. ST-GCN architecture

1. 基于 OpenPose 的 2D 多人姿态/骨架估计

输入：RGB image 或者 video sequence
输出：人体关节点位置和可信度 $(x, y, confidence)$

OpenPose 总共估计人体 18 个关节点，关节点顺序和名称如下图：

fig2. OpenPose 18 joints

2. build Spatial-Temporal Graph on skeleton sequence

Nodes: $V = \{ v_{ti} | t = 1, ...,T, i=1,...,N \}$
$T$ 表示 skeleton sequence 帧数，即 $T$ 个时刻， $N$ 表示 $N$ 个人的骨架
$t$ 表示 temporal 联系，inter-frame； $i$ 表示 spatial 联系，intra-skeleton
Feature vector on a node $F(v_{ij}) = (x,y, confidence)$
Edges = spatial + temporal
$E_S = \{ v_{ti}v_{tj}|(i,j)∈H \}$ intra-skeleton, $H$ 表示 joints in a skeleton，如 fig2 OpenPose 关节点的连接方式
$E_F = \{ v_{ti}v_{(t+1)i} \}$ inter-frame，连续帧之间的对应关节点连接起来

fig3. Spatial-Temporal Graph of a skeleton sequence

注：spatial graph 理解为单帧中的骨架图，temporal graph 为多帧之间相应关节点的连接图

3. Graph Convolution details

3.1 传统图像在坐标点 x 位置的 conv

$f_{out}(x) = \sum_{h=1}^{K}\sum_{w=1}^{K}f_{in}(p(x,h,w)) · w(h,w)$

$f_{in}, f_{out}$ ：input, output feature map
$p(x,h,w)$ ：表示位置 $x$ 的 $h × w$ 邻域
$w(h,w)$ ：表示邻域内相应位置点的权值

3.2 图卷积在顶点 $v_{ti}$ 位置的 conv

$f_{in}$ ：input feature map
对于图卷积， $f_{in}^{t}: V_t → R^c$ 表示 t 时刻输入的 feature map，即为 $t$ 时刻的 spatial graph $V_t$ ，而 $R^c$ 表示图中顶点的 feature vector 有 $c$ 个通道。
定义完输入的 feature map 后，再定义邻域采样函数 $p(v_{ti},v_{tj})$ 和权值函数 $w(v_{ti},v_{tj})$ 就能完成卷积运算了，这里 $p$ 和 $w$ 表示方法与传统 Conv 不同。
$p(v_{ti},v_{tj})$ 邻域采样函数
$B(v_{ti})= \{ v_{tj}|d(v_{tj},v_{ti}) \leq D\}$
- $d(v_{tj},v_{ti})$ ： $v_{tj}$ 到 $v_{ti}$ 的最短路径 / 边数，hops
- $D=1$ ：只将直接相连的邻接点作为邻域
$w(v_{ti},v_{tj})$ 权值函数
$l_{ti}：B(v_{ti}) → \{ 0, ..., K-1\}$
1. 邻域 $B(v_{ti})$ 分成 $K$ 个子集（注意这里的 $K$ 和前面传统卷积的 $K$ 同样表示卷积的 kernel size）
2. 子集中 nodes 分别赋上数值权值，这里为子集编号（图卷积中叫 labeling，即给每个 node 打分类标签）code 中用 size = $(c, K)$ 的 tensor 表示，类比传统卷积权值 $(c, K, K)$

注：划分 $K$ 个子集，同一个子集内的节点采用相同的权重，从而实现权重共享。可按照邻域 path 划分，也可按照节点距离重心的远近划分，见 part 4

3.3 Spatial Graph Convolution 空域图卷积

$f_{out}(v_{ti}) = \sum_{v_{ti}∈B(v_{ti})} \frac{1}{Z_{ti}(v_{tj})} f_{in}(p(v_{ti},v_{tj})) · w(v_{ti},v_{tj})$

$Z_{ti}(v_{tj})$ ：标准化因子，领域顶点 $v_{tj}$ 所在的子集中的顶点总个数

上述公式样式仍然偏向传统图像卷积，进一步转化为图卷积样式：

$f_{out}(v_{ti}) = \sum_{v_{ti}∈B(v_{ti})} \frac{1}{Z_{ti}(v_{tj})} f_{in}(v_{tj}) · w(\color{red}{l_{ti}(v_{tj})})$

$v_{tj}$ ：邻域顶点
$l_{ti}(v_{tj})$ ：给邻域顶点 打标签/赋权值 函数

3.4 Spatial Temporal Modeling 时空图卷积

时空邻域采样函数：空域连接扩展到时域连接，单帧扩展到多帧
$B(v_{ti})= \{ v_{qj}|d(v_{tj},v_{ti}) \leq K, |q - t| \leq \lfloor \Gamma /2 \rfloor \}$

邻域 $v_{tj}$ → $v_{qj}$ ，不限于单帧
上限 $d$ ： $D$ → $K$
$\Gamma$ ：temporal range, temporal kernel size，本文 = 9

时空邻域权值函数：划分子集 labeling 扩展到时域
$l_{ST}(v_{qj}) = l_{ti}(v_{tj}) + (q-t+\lfloor \Gamma /2 \rfloor)×K$

4. 划分子集 & labeling

labeling 体现了 将邻域的特征聚合到当前节点 的一种规则。

(b) Uni-labeling 同一标注权值
邻域内所有 nodes 权值一样，没有局部差异性 local differential properties
labeling：令 $K=1$ ，则 $l_{ti}(v_{tj})=0$
(c) Distance partitioning 距离划分 distance to root joint
具有局部差异性，但是缺乏子集 joints 相对全局的位置关系，即不能反应子集 joints 处于人体的哪块区域
labeling：令 $K=2$ ，则 $l_{ti}(v_{tj})=d(v_{tj},v_{ti})$ 可取值：0 或 1
(d) Spatial configuration partitioning
骨架 joints 运动可分为向心和离心，可将 nodes 分为 3 组：
$l_{ti}(v_{tj}) = \begin{cases} 0 & \text{if } r_j = r_i\\ 1 & \text{if } r_j < r_i\\ 2 & \text{if } r_j > r_i \end{cases}$

其中 $r_j$ 是邻域 joint 到黑色十字 × 的距离， $r_j$ 为 root joint

综上所述，邻域 joints 子集的划分特点：

既能保留局部信息，又能涵盖全局信息
邻域权重划分更加多样性

5. Implementing ST-GCN

5.1 邻接矩阵

对于 (c)(d) 划分，邻接矩阵 $A$ 被分成了不同子集 $\sum_jA_j$
$f_{out} = \sum_j \Lambda^{-\frac{1}{2}} A_j\Lambda^{-\frac{1}{2}}f_{in}W_j$

(c)： $A_0, A_1$
(d)： $A_0, A_1, A_2$

添加 mask $M$ ： $A_j \otimes M$ ，学习不同邻接点对 root 的权重影响

5.2 网络结构

"9 ST-GCN units，temporal kernel size = 9 感受野"
# out 64 channels
ST-GCN
ST-GCN
ST-GCN
# out 128 channels
ST-GCN  # stride = 2，时域下采样，2 frame -> 1frame
ST-GCN
ST-GCN
# out 256 channels
ST-GCN  # stride = 2，时域下采样，2 frame -> 1frame
ST-GCN
ST-GCN
"Global Pooling, feature map -> 256 dimension feature vector"
GAP
"Softmax classifier"
softmax

基于人体骨架序列的视频行为识别

整体思路

1. 基于 OpenPose 的 2D 多人姿态/骨架估计

2. build Spatial-Temporal Graph on skeleton sequence

3. Graph Convolution details

3.1 传统图像在坐标点 x 位置的 conv

3.2 图卷积在顶点 $v_{ti}$ 位置的 conv

3.3 Spatial Graph Convolution 空域图卷积

3.4 Spatial Temporal Modeling 时空图卷积

4. 划分子集 & labeling

5. Implementing ST-GCN

5.1 邻接矩阵

5.2 网络结构

猜你喜欢

热点阅读

基于人体骨架序列的视频行为识别

整体思路

1. 基于 OpenPose 的 2D 多人 姿态/骨架 估计

2. build Spatial-Temporal Graph on skeleton sequence

3. Graph Convolution details

3.1 传统图像在坐标点 x 位置的 conv

3.2 图卷积在顶点 位置的 conv

3.3 Spatial Graph Convolution 空域图卷积

3.4 Spatial Temporal Modeling 时空图卷积

4. 划分子集 & labeling

5. Implementing ST-GCN

5.1 邻接矩阵

5.2 网络结构

猜你喜欢

热点阅读

1. 基于 OpenPose 的 2D 多人姿态/骨架估计

3.2 图卷积在顶点 $v_{ti}$ 位置的 conv