打架识别，基于循环神经网络RNN的视频分类任务-51CTO.COM

哈喽，大家好。

今天给大家分享AI项目——打架识别。

使用的技术跟我们上次分享的摔倒识别不同，摔倒识别使用的是基于骨骼点的时空卷积神经网络，适用于人体骨骼行为，而这次分享的打架识别使用的是循环神经网络RNN，可以实现更通用的视频分类任务。

当然也可以用Vision Transformer，文中也有介绍。

代码已经打包好了，获取方式见评论区。

1. 整体思路

视频其实就是某种行为的连续序列，因此要使用序列模型处理，循环神经网络RNN就是序列模型。

RNN最初应用在自然语言处理中，如：根据输入词，判断下一次词的概率

模型为了读懂每个词代表的含义，模型会把每个词用n维向量表示，这个过程其实就是word embedding。

按照这个思路，一段视频其实就是一句话，视频里每张画面就是一个词，同样地，我们也可以用卷机神经网络将每张图映射成n维向量。

所以，我们就可以训练一个RNN模型，将表示视频的n维向量送入RNN模型，让他输出视频类别的概率。

现在比较流行的RNN模型有LSTM、GRU，本文使用的是GRU。

2. 数据集

打架的开源数据集有很多，如：fight-detection-surv-dataset、A-Dataset-for-Automatic-Violence-Detection-in-Videos和UBI_FIGHTS等等。

我使用的是fight-detection-surv-dataset数据集，包括 150 个打架视频和 150 个正常视频。

数据集很小，训练的时候很容易过拟合，精度只有 70%。但思路和代码都是可以复用的。

大家做的时候可以换成大的数据集，比如：ucf数据，包含很多动作视频

ucf50数据集

我用这个数据集训练过 GRU 和 Transformer模型，效果还可以。

3. 提取视频特征

接下来，我们要做的就是提取视频特征，将视频中每张画面映射成n维向量。

使用InceptionResNetV2网络，输入一张图片，输出的是 1536 维向量。

def video_feat_extractor():
    inception_resnetv2 =  InceptionResNetV2(
      include_top=False, 
      weights='imagenet', 
      pooling='avg', 
      input_shape=(IMAGE_SIZE, IMAGE_SIZE, 3))
    
    inputs = tf.keras.Input(shape=(IMAGE_SIZE, IMAGE_SIZE, 3))
    inputs_preprocessed = preprocess_input(inputs)
    outputs = inception_resnetv2(inputs_preprocessed)
    
    return tf.keras.Model(inputs, outputs, name='video_feat_extractor')

这样，词向量就已经有了。然后再抽取每个视频的前20帧，组成一个句子。

MAX_FRAMES = 20
video_feat_extractor_model = video_feat_extractor()

# 取前MAX_FRAMES帧
frames = frames[:MAX_FRAMES]
# 计算视频特征
video_feat = video_feat_extractor_model(frames)
dataset_feats.append(video_feat)

dataset_feats是20 * 1536的向量。

这样，我们就将一个视频用向量形式表示出来了。

4. 循环神经网络

GRU是LSTM的一个变种

模型搭建也比较简单。

model = keras.Sequential([
        layers.InputLayer(input_shape=(MAX_FRAMES, FRAME_FEAT_LEN)),
        
        layers.GRU(4, return_sequences=False),
        layers.Dropout(0.1),
        layers.Dense(class_num, activatinotallow='softmax')
    ])

GRU超参数 4 代表 4 个 unit，即：模型输出向量长度是 4，大家如果做其他分类任务，可以尝试调整该值。

编译模型

model.compile(optimizer=optimizers.Adam(0.0001), 
                loss='sparse_categorical_crossentropy', 
                metrics=['accuracy'])

这是个多分类任务，因此损失函数使用sparse_categorical_crossentropy。

接着就可以训练模型了，模型在训练集和测试集精度如下：

5. vision transformer

同样的，我们也可以用流行的Transformer来训练视频分类模型

对于视频分类任务，不需要Decoder网络，用多头自注意力模型搭建一个 Encoder网络即可。

关于vision transformer后续有机会的话我会专门分享一个项目，这次代码以GRU为主。