盖世汽车讯 据外媒报道，全息增强现实（AR）技术供应商微美全息（WiMi Hologram Cloud）宣布推出基于卷积神经网络（CNN）的3D人体行为识别算法系统，其中CNN具有良好表征能力。

图片来源：微美全息

人类行为识别（HBR）是通过复杂技术破译人类行为的过程，以使机器能够理解、分析、理解和分类这些行为，并给出各种有效输入或刺激。在解决识别和分类问题方面，深度学习非常有效，因为可以执行端到端优化，且相关任务可以相互受益（迁移学习）。

首先，从骨骼关节的相对运动中提取四个独特的时空特征向量，随后将其编码成图像，然后将其输入CNN进行深度特征提取。更具体地说，该系统通过从3D骨架数据中提取四种类型的信息特征（距离、距离速度、角度和角速度特征），并使用合适的编码将它们编码成图像，从而将数据用于3D人类行为识别任务。此外，微美全息还使用反离子优化来消除特征空间中的冗余和误导性信息。最后，微美全息使用分类来进行最终的操作预测。

该系统的应用过程主要包括数据采集、数据预处理、特征提取、分类和预测决策。

第一步是为基于CNN的3D HBR系统收集适当的数据。适当的、结构化的和正确标记的数据集是训练模型的最基本要求之一。神经网络会以数据集为样本，学习其对应的特征信息，保存深度神经网络训练的内存，并使用该内存作为预测其他对应数据集的基础。因此，数据集的质量将直接影响神经网络训练的质量。与在复杂背景的简单、低分辨率数据集上训练的网络相比，在覆盖范围广、信息全、分辨率高的数据集上训练的神经网络更好。人类行为识别网络对数据集的要求包括行为类别全面、行为质量高和视频清晰等。

第二步是数据预处理，其中特征变换、特征选择和特征提取耦合在一起，通常称为数据预处理模块。特征提取和正确表示是提高模型性能的关键步骤。对于高维数据，模型过拟合的可能性相对增加，因此需要选择相关特征。为分类模型选择所需的特征是正确实施的关键一步。下一步是分类，将提取的特征用于训练模型，以执行识别和分类不同形式的人类行为的任务。最后，还有预测分析，从卷积神经网络模型的输入中提取更多信息特征，以便模型可以在不考虑类别之间的视觉差异的情况下做出决策。

微美全美基于CNN技术的3D HBR算法系统可以实现个体和群体的高精度行为识别，设置异常行为预测并及时预警，可广泛应用于人员识别、车辆识别、区域入侵、目标异常检测等应用场景。