視頻的理解與識別是計(jì)算機(jī)視覺的基礎(chǔ)任務(wù)之一。隨著視頻設(shè)備和網(wǎng)絡(luò)的普通，視頻理解也吸引了越來越多研究者的關(guān)注。而識別視頻中的動作則是其中一個(gè)充滿挑戰(zhàn)而又具有較高實(shí)際應(yīng)用價(jià)值的任務(wù)。相比圖像來說，視頻內(nèi)容和背景更加復(fù)雜多變，不同的動作類別之間具有相似性，而相同的類別在不同環(huán)境下又有著不同的特點(diǎn)。此外，由于拍攝造成的遮擋、抖動、視角變化等也為動作識別進(jìn)一步帶來了困難。在實(shí)際應(yīng)用中，精確的動作識別有助于輿情監(jiān)控，廣告投放，以及很多其他視頻理解相關(guān)的任務(wù)。

與圖像識別相比，視頻分析需要更大量數(shù)據(jù)。早期的數(shù)據(jù)集KTH［1］，Weizmann［2］等僅由演員表演固定的幾個(gè)動作，如走路，慢跑等。之后，較大規(guī)模的數(shù)據(jù)集如UCF101［3］等由網(wǎng)絡(luò)視頻組成，具體動作類別則由志愿者人工標(biāo)注完成。目前，研究者發(fā)布了更大規(guī)模的數(shù)據(jù)集，例如Kinetics［4］包含了上百類動作以及幾十萬視頻（如圖1所示示例），雖然相比實(shí)際情況仍不夠全面，但也對動作識別的研究有了極大的幫助。

圖1. Kinetics數(shù)據(jù)集的示例視頻幀視頻動作識別目前常用的技術(shù)可以大致分為如下幾類：

1. 基于人工特征的視頻動作識別

早期的動作識別主要基于興趣點(diǎn)的檢測和表示。梯度直方圖［5］，時(shí)空興趣點(diǎn)檢測［6］，以及光流直方圖［7］等都用于提取圖像和時(shí)序的特征表示。與圖像相比，視頻蘊(yùn)含了大量的運(yùn)動信息，為了更好的利用運(yùn)動信息，Heng等人提出了密集軌跡的特征［8］，密集的提取和追蹤光流中每個(gè)像素特征，編碼后進(jìn)行分類。然而，當(dāng)面臨大規(guī)模數(shù)據(jù)集時(shí)，這些特征缺乏一定的靈活性和可擴(kuò)展性。

2. 基于雙流的神經(jīng)網(wǎng)絡(luò)

近年來，神經(jīng)網(wǎng)絡(luò)在圖像識別、物體檢測等計(jì)算機(jī)視覺任務(wù)上取得了幾乎超越人類的成果，研究者在視頻任務(wù)中也越來越多的開始使用神經(jīng)網(wǎng)絡(luò)。然而，直接將用于圖像分類的神經(jīng)網(wǎng)絡(luò)用于視頻分類會忽略視頻的時(shí)序特征，而時(shí)序特征對于視頻分類尤為重要。介于此，研究者提出了基于雙流的動作識別方法。Simonyan et al. 提出了一個(gè)融合網(wǎng)絡(luò)［9］ ，該論文首次將視頻分成空間和時(shí)間兩個(gè)部分，分別將RGB圖像和光流圖像送入兩支神經(jīng)網(wǎng)絡(luò)并融合最終分類結(jié)果。如圖2所示，利用雙流神經(jīng)網(wǎng)絡(luò)，可以同時(shí)得到視頻中人或物體外表和運(yùn)動的信息，該方法在當(dāng)時(shí)各個(gè)基準(zhǔn)數(shù)據(jù)集上取得了領(lǐng)先的識別水平。

之后，又有許多研究針對雙流網(wǎng)絡(luò)這種框架進(jìn)行了一些改進(jìn)，例如Temporal Segment Network則提出了一種可以捕捉較長時(shí)序的網(wǎng)絡(luò)結(jié)構(gòu)［10］。Xu 提出了基于密集擴(kuò)張網(wǎng)絡(luò)的框架［11］，并探討了空間和時(shí)間分支的不同融合方式。

3. 基于三維卷積的神經(jīng)網(wǎng)絡(luò)

除了雙流網(wǎng)絡(luò)，還有一些研究者針對視頻將神經(jīng)網(wǎng)絡(luò)優(yōu)化為三維卷積神經(jīng)網(wǎng)絡(luò)，以此來捕捉更多的時(shí)空信息。如圖3所示，Tran等人首次提出了在視頻動作識別中使用三維神經(jīng)網(wǎng)絡(luò)（C3D）代替二維的神經(jīng)網(wǎng)絡(luò)［12］。此后，由于ResNet在圖像識別任務(wù)中取得的較好效果，Hara等人提出了基于三維網(wǎng)絡(luò)的ResNet［13］，Qiu等人也提出了用二維模擬三維神經(jīng)網(wǎng)絡(luò)的偽3D網(wǎng)絡(luò)（P3D）［14］。

最近，deep mind團(tuán)隊(duì)提出了?Inflated 3D ConvNets （I3D）［15］，具體方法是利用了2D網(wǎng)絡(luò)權(quán)重展開作為3D網(wǎng)絡(luò)的預(yù)訓(xùn)練權(quán)重，同時(shí)借助大規(guī)模的Kinetics數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，在基準(zhǔn)數(shù)據(jù)集上效果得到明顯提升。

4. 其他

此外，仍有很多研究者在探索其他更有效的視頻動作識別方法，如基于長短記憶網(wǎng)絡(luò)（LSTM）的識別框架［16］，基于對抗神經(jīng)網(wǎng)絡(luò)（GAN）［17］的框架等。

雖然目前動作識別已經(jīng)取得了快速的發(fā)展，但距離人類識別水平仍有很大的差距，在實(shí)際應(yīng)用中也面臨著各種各種復(fù)雜的問題。我們期待著今后的研究中能夠出現(xiàn)更具有可擴(kuò)展性，魯棒性的算法和框架。

責(zé)任編輯：Ct