技術(shù)特征：

1.一種屬性輔助的視頻動(dòng)作識(shí)別方法，其特征在于，包括如下步驟：

針對(duì)視頻的訓(xùn)練數(shù)據(jù)選取視覺屬性；

將視覺屬性添加到分類器模型中進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類器；

利用訓(xùn)練好的分類器進(jìn)行視頻分類。

2.如權(quán)利要求1所述的一種屬性輔助的視頻動(dòng)作識(shí)別方法，其特征在于，包括如下步驟：

步驟S1：針對(duì)視頻的訓(xùn)練數(shù)據(jù)選取視覺屬性；

步驟S2：根據(jù)所述視覺屬性修改分類器模型；

步驟S3：構(gòu)建步驟S2中的修改后的分類器模型的損失函數(shù)；

步驟S4：根據(jù)步驟S3中的損失函數(shù)對(duì)所述修改后的分類器模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類器；

步驟S5：利用訓(xùn)練好的分類器進(jìn)行視頻分類。

3.如權(quán)利要求2所述的一種屬性輔助的視頻動(dòng)作識(shí)別方法，其特征在于，所述步驟S1：針對(duì)視頻的訓(xùn)練數(shù)據(jù)選取視覺屬性的步驟中，包括如下步驟：

將訓(xùn)練數(shù)據(jù)表示為：data_i＝{I,P}，其中I表示視頻的常規(guī)數(shù)據(jù)信息；P表示視頻的分類和屬性的標(biāo)準(zhǔn)信息；

其中P定義為：P＝{C,A₁,A₂,...}，其中C∈{0,1}^c表示訓(xùn)練數(shù)據(jù)的分類信息向量，表示訓(xùn)練數(shù)據(jù)在第a_i個(gè)視覺屬性的取值信息。

4.如權(quán)利要求3所述的一種屬性輔助的視頻動(dòng)作識(shí)別方法，其特征在于，所述步驟S2：根據(jù)所述視覺屬性修改分類器模型的步驟中，具體包括如下步驟：

步驟S2.1：在分類器模型的輸入層添加視覺屬性標(biāo)準(zhǔn)值；

步驟S2.2：在分類器模型的輸出層中添加視覺屬性輸出層。

5.如權(quán)利要求4所述的一種屬性輔助的視頻動(dòng)作識(shí)別方法，其特征在于，所述步驟S3：構(gòu)建步驟S2中的修改后的分類器模型的損失函數(shù)的步驟，具體包括如下步驟：

步驟S3.1：構(gòu)建分類器模型中視覺屬性輸出層的損失函數(shù)；

步驟S3.2：根據(jù)所述視覺屬性輸出層的損失函數(shù)構(gòu)建分類器模型的全局損失函數(shù)。

6.如權(quán)利要求5所述的一種屬性輔助的視頻動(dòng)作識(shí)別方法，其特征在于，所述步驟S3.1中分類器模型中視覺屬性輸出層的損失函數(shù)表示為：

$\mathrm{\ζ}=-\frac{1}{m}\{\underset{i=1}{\overset{m}{\Σ}}\[\underset{\∈=1}{\overset{k}{\Σ}}{y}^{(i\∈)}*log\left(h_{\∈}\right(x^i\left)\right)\]\}$

其中m表示訓(xùn)練數(shù)據(jù)個(gè)數(shù)，k表示視覺屬性取值的范圍個(gè)數(shù)，y^(i∈)表示第i個(gè)訓(xùn)練數(shù)據(jù)的視覺屬性標(biāo)準(zhǔn)值，h_∈(xⁱ)表示第i個(gè)訓(xùn)練數(shù)據(jù)在輸出層第∈列的輸出。

7.如權(quán)利要求6所述的一種屬性輔助的視頻動(dòng)作識(shí)別方法，其特征在于，所述步驟S3.2中構(gòu)建的分類器模型的全局損失函數(shù)表示為：

ζ_T表示全局損失函數(shù)值，其中r表示視覺屬性的個(gè)數(shù)，ζ_c表示由動(dòng)作類別產(chǎn)生的損失函數(shù)值，而表示視覺屬性p產(chǎn)生的損失函數(shù)值，表示權(quán)重。

8.如權(quán)利要求7所述的一種屬性輔助的視頻動(dòng)作識(shí)別方法，其特征在于，所述分類器模型采用卷積神經(jīng)網(wǎng)絡(luò)模型。

9.如權(quán)利要求1-8中任一項(xiàng)所述的一種屬性輔助的視頻動(dòng)作識(shí)別方法，其特征在于，所述步驟S4：根據(jù)步驟S3中的損失函數(shù)對(duì)所述修改后的分類器模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類器的步驟中，采用開源工具Caffe完成分類器模型的訓(xùn)練。