本发明涉及人体动作识别，具体涉及一种基于红外图像的人体动作识别方法。
背景技术：
1、随着人类活动范围的扩展和安全需求的增加，现代监控系统对高效且可靠的人体动作识别技术的需求日益迫切。传统的可见光图像识别技术受到光照条件和环境影响较大，易受到光照变化、阴影干扰等因素影响，从而降低了识别精度和稳定性。在低光或恶劣天气条件下，这种技术的表现更为有限，难以满足实时动作识别的要求。
2、相比之下，红外图像技术能够有效地检测和捕捉目标的热辐射特征，不受光照条件限制，因此在白天和夜晚均能实现稳定的人体动作检测和识别。这使得基于红外图像的人体动作识别方法成为一种理想选择，特别是在复杂的监控环境中，如室外夜间或恶劣天气条件下。
3、具有代表性的基于动态骨骼的动作识别方法st-gcn(时空图卷积网络模型)，使用姿态提取框架提取视频中人体动态骨骼特征输入后端卷积神经网络进行识别与分类。但该方法建立于可见光环境下，提取多帧视频特征进行行为预测，且模型构架较为复杂，实时性有待提高。现有基于可见光环境的行为动作识别方法均不满足于实时红外图像人体动作识别需求，因此，设计一种实时的红外热成像人体动作识别方法意义重大。
技术实现思路
1、本发明要解决的技术问题在于，降低计算复杂度和优化资源利用，通过红外图像进行人体行为动作识别。
2、为实现上述目的，本发明提供如下技术方案：一种基于红外图像的人体动作识别方法，包括以下步骤：
3、s1.获取红外图像数据集。
4、在实验室环境下利用红外相机拍摄了多组红外视频，从中逐帧截取图像并进行分类，然后采用翻转和裁剪等技术手段加数据多样性和丰富度。
5、s2.对红外图像数据集进行预处理并得到红外图像人体骨骼关键点坐标。
6、对红外图像数据集进行预处理并得到红外图像人体骨骼关键点坐标的过程包括：使用opencv实现对红外人体动作图像的关键点标注，采用了高斯分布的方式生成样本标签。
7、使用opencv实现对红外人体动作图像的关键点标注，包括：使用opencv直接对图像进行关键点标记，并将标记后的坐标保存在txt文件中。
8、使用高斯分布的方式生成样本标签，包括：采用了高斯分布生成二维概率密度图形式的样本标签，其中，其中心点处具有最高概率。
9、s3.更换基准点，对所有坐标数据进行清洗和校准，得到红外图像人体骨骼关键点数据集。
10、更换心脏部位作为基准点，对所有坐标数据进行清洗和校准，以确保数据的准确性和一致性。计算了其他关键点到心脏部位的相对距离，并将这些距离作为后续随机森林分类器的输入数据。
11、s4.构建红外图像人体骨骼关键点提取网络。
12、红外图像人体骨骼关键点提取网络结构为中结合了深度可分离卷积模块的全卷积神经网络。结合深度可分离卷积模块的全卷积神经网络的获取方式为：依次连接两个下采样卷积层、12个串联的深度可分离卷积层、两个上采样的反卷积层。
13、红外图像人体姿态提取网络训练过程的l2损失函数(平方差损失函数)定义如下：
14、
15、上式中，yi表示真实标签，表示模型的输出，n表示样本中标签的数量，l2损失函数通过平方误差来衡量预测值与真实值之间的差异，并且对较大的误差进行更强的惩罚，确保模型能够更准确地拟合数据。
16、红外图像人体姿态提取网络训练过程采用了adamw优化器优化训练过程，adamw优化器基于adam优化器改进，通过结合权重衰减的方式进行参数更新，降低模型过拟合的风险。
17、s5.基于红外图像数据集与红外人体动态骨骼特征数据集训练红外图像人体骨骼关键点提取网络，得到训练后的红外图像人体骨骼关键点提取网络。
18、s6.基于红外人体动态骨骼特征数据集训练随机森林分类器，得到训练后的随机森林分类器。
19、基于红外人体动态骨骼特征数据集训练随机森林分类器的具体操作如下：使用更换心脏部位作为基准点的红外图像人体骨骼关键点数据集作为随机森林分类器的输入。
20、随机森林分类器使用交叉验证来调整超参数，用以识别包括站、走、蹲、躺等动作。
21、s7.获取待识别红外图像，基于红外图像人体骨骼关键点提取网络和随机森林分类器对待识别红外图像进行动作的分类与预测。
22、基于红外图像人体骨骼关键点提取网络和随机森林分类器对待识别红外图像进行动作的分类与预测进一步包括：首先利用红外图像人体骨骼关键点提取网络提取待识别红外图像的人体骨骼关键点坐标；然后使用待识别人体骨骼关键点坐标作为随机森林分类器的输入，利用动随机森林分类器对待识别人体骨骼关键点坐标进行动作的分类与预测。
23、由于采用了上述技术方案，本发明的有益效果是：
24、1.本发明中，通过高斯分布生成样本标签，本发明降低了人工标注误差，提高了后续骨骼关键点提取和动作识别的精度。
25、2.本发明中，将心脏部位作为红外图像人体骨骼关键点的基准点，确保了数据的准确性和一致性，并突显了心脏在数据分析中的核心作用。引入其他关键点到心脏的相对距离作为特征，消除了图像尺寸对关键点位置影响，使分类器能更专注于识别关键点的内在特征，简化了任务并提高了分类的准确性和鲁棒性。
26、3、本发明中，提出了一种针对红外图像的人体骨骼关键点提取网络，结合了深度可分离卷积模块的全卷积神经网络。该网络针对红外图像单通道数据的特点，通过深度可分离卷积模块降低了运算量。
27、4、本发明中，针对红外图像中提取的人体骨骼关键点，采用随机森林分类器对单帧图像进行动作识别。考虑到骨骼关键点相对动作的显著性以及红外图像中特征提取的不连续性，该方法不仅准确识别了人体骨骼关键点对应的动作，还提高了实时性。
28、5、本发明中，利用红外热成像仪采集行人图像数据，适用于夜间无光、雨雾等恶劣天气环境，这些是可见光摄像头和普通数码夜视仪无法胜任的探测环境。
1.一种基于红外图像的人体动作识别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于红外图像的人体动作识别方法，其特征在于，s2中所述预处理进一步包括：采用了opencv实现了对红外人体动作图像的关键点标注，并且采用了高斯分布的方式生成样本标签，二维高斯函数公式具有如下形式：
3.根据权利要求1所述的一种基于红外图像的人体动作识别方法，其特征在于，s3中所述更换基准点进一步包括：以心脏部位作为基准点，计算其他关键点到心脏部位的相对距离，并将这些距离作为后续随机森林分类器的输入数据。
4.根据权利要求1所述的一种基于红外图像的人体动作识别方法，其特征在于，s4中所述构建红外图像人体骨骼关键点提取网络进一步包括结合了深度可分离卷积模块的全卷积神经网络，获取方式为：依次连接两个下采样卷积层、12个串联的深度可分离卷积层、两个上采样的反卷积层。
5.根据权利要求1的一种基于红外图像的人体动作识别方法，其特征在于，s4中所述红外图像人体骨骼关键点提取网络使用l2损失函数，l2损失函数定义如下：
6.根据权利要求1的一种基于红外图像的人体动作识别方法，其特征在于，s4中所述红外图像人体骨骼关键点提取网络使用adamw优化器，adamw优化器是基于adam优化器改进，通过结合权重衰减的方式进行参数更新，降低模型过拟合的风险。
7.根据权利要求1所述的一种基于红外图像的人体动作识别方法，其特征在于：s6中所述随机森林分类器使用交叉验证来调整超参数。
