低照度下室外人体行为识别算法研究

作     者：石静宇 

作者单位：太原科技大学 

学位级别：硕士

导师姓名：何秋生

授予年度：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：低照度 人体关键点检测 轻量化 图卷积网络 

摘      要：室外人体行为识别研究是计算机视觉领域中的一项重要研究任务,它旨在解决在不同场景下行人关键点检测困难的问题。低照度下光线较暗,现有检测算法难以准确识别行人轮廓和关键点,后续的行为识别将更为困难。根据在实际应用中普遍存在的低照度环境下的识别难题,本文主要研究了低照度下室外人体行为识别任务,这为实际应用中的低照度环境下人体行为识别提供了一种高效可行的解决方案,主要研究内容如下: (1)针对低照度场景中行人关键点特征信息有限导致检测精度低的问题,研究了一种LT-YOLOv7检测算法。首先在轻量化YOLOv7主干网络中通过增加64倍下采样检测层,在更多尺度上采集关键点特征信息,实现更好的提取夜间低照度下的人体关键点信息;同时将改进的C3r加入主干网络中,来减少计算量和提高检测精度;最后,在特征融合网络和检测层之间融入CBAM注意力机制,以提升算法在夜间复杂背景下的检测能力。最后在COCO2017-L数据集上进行实验,结果表明,与改进前的网络相比,精度提升了12.6%。 (2)针对在低照度场景中行人关键点被遮挡导致精度低的问题,研究了一种改进的Quality Focal Loss损失函数。原有的Quality Focal Loss损失函数中的经验值β是一个常值,无法根据关键点的信息进行动态调整,导致模型难以有效地区分和学习被遮挡或模糊的关键点。因此将Quality Focal Loss损失函数中的经验值β优化为β =min(β/σ,4),式中,β为原来损失函数的经验值,根据关键点预测值σ的大小来动态控制β 值的大小,提高对遮挡或模糊关键点的检测精度。实验结果表明,与LTYOLOv7相比,改进后的网络检测精度进一步提升了2.2%。 (3)针对低照度场景中行为识别精度不高的问题,研究了一种基于时空图卷积的行为识别算法。首先将原有网络中的Adadelta梯度下降优化器调整为Adam,进一步提高网络收敛速度和稳定性。其次将原网络中的激活函数优化为SiLU激活函数,增强网络在复杂低照度环境下的动作特征提取能力,最后在残差分支引入ECA注意力机制,使得网络能够更好地捕获关键点之间的相关性,进而提高行为识别的性能。实验结果表明,本文所改进的网络比原来的ST-GCN网络识别精度提升了1.67%,与4S ShiftGCN网络相比,识别精度提高了1.18%。