基于改进关节点联系的ST-GCN行为识别办法

人体行为识别在监控安防等多个领域有重要的实用性。基于人体骨骼关节点的行为识别有很好的鲁棒性,并且在计算量和存储空间上都有很大的优势。时空图卷积神经网络(Spatial-Temporal Graph Convolution Networks,ST-GCN)模型开创图卷积神经网络处理姿态估计信息的先河,针对ST-GCN不能很好关联所有关节特征的缺点,提出通过构建共现特征学习结构以及新的注意力机制加强关节点的联系,同时提出集成学习在线蒸馏手段,增强模型的泛化能力。所提模型在Kinetics-skeleton数据集上取得31.25%的Top-1精度,相比于ST-GCN算法提升了0.44%;在NTU-RGB+D的X-Sub子数据集与X-View子数据集分别取得86.7%与94.6%的Top-1精度,对比ST-GCN算法提升了5.2%和6.3%。

引入多级匹配机制的多目标连续跟踪方法

为提升基于检测的多目标跟踪方法在短暂遮挡时跟踪的准确度,首先提出一种目标多级匹配机制,将检测框根据置信度分为高分框和低分框,使用高分框和之前的跟踪轨迹进行第一级匹配,其次使用低分框和第一次没有匹配上高分框的跟踪轨迹进行第二级匹配,最后使用行人重识别的方法将未匹配到跟踪器和目标检测的结果进行第三级匹配,最终实现短暂遮挡下的连续跟踪。在MOT17数据集上进行验证,结果表明,所提方法 MOTA值达到76.9,可有效降低多目标跟踪ID切换,提升跟踪的连续性。