基于深度学习框架的动作识别研究

《基于深度学习框架的动作识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于深度学习框架的动作识别研究ActionRecognitionBasedonDeepLearningFramework学科专业：计算机科学与技术专业作者姓名：刘彦镔指导教师：江健民教授天津大学计算机科学与技术学院二零一五年十二月摘要动作识别是计算机视觉领域的重要研究课题，同时也是当前极具挑战性的热点问题。近几年来它更加引起了人们的注意力，它在自动视频分析、视频监控、运动事件分析、人机交互和虚拟现实等领域都有潜在的应用前景和市场。传统动作识别方法主要包括以下几个步骤：（1）局部特征提取和预处理；（2）特征池化与量化；（3）分类器训练和动作识别。在传统方法中，使用改进的密集轨迹局部特征

2、（iDT）和费舍尔向量（Fishervector）的方法是目前的主流方法，它在多个数据集上面取得领先性能。然而，改进密集轨迹特征存在许多问题，例如特征提取时间较慢、特征占空间太大、无法从数据中学习特征等。近年来，深度学习已经在语音、图像识别等领域出得了突破性进展，并且在多个领域对传统方法产生了性能的碾压。然而，在视频动作识别的领域中，深度学习方法进展缓慢，一直无法超越传统方法的性能。为了解决传统方法存在的众多问题，同时探索深度学习方法在动作识别领域的应用，本文提出使用深度学习框架进行动作识别的研究。基于深度学习框架以及动作识别的最新进展，本文提出两种动作识别框架：（1）局部特征与深度

3、特征融合的动作识别方法；（2）卷积层特征池化的动作识别方法。前者充分利用局部特征包含丰富时间信息以及深度特征包含大量场景信息的特点，将两类特征进行融合用来提高动作识别的性能。后者直接在非常深的深度网络上提取卷积层特征并采用多种方式的池化，重新编码得到新的特征用于动作识别。相比较传统方法，本文提出的两种方法具有实现快速、特征占空间小、性能更高的优势，并且在多个公开数据集上面得到了性能验证。关键词：动作识别,深度学习,卷积特征,密集轨迹IABSTRACTActionrecognitionisanimportantresearchtopicincomputervision,meanwhil

4、eitisaverychallenginghotresearchtopicatpresent.Recentyears,itattractsmoreatten-tionduetothepotentialapplicationprospectandmarketinautomaticvideoanalysis,videosurveillance,motioneventdetection,human-machineinteractingandvirtualreality.Tradi-tionalactionrecognitionmethodscontainthefollowingsteps:

5、(1)localfeatureextractionandpre-processing;(2)featurepoolingandquantization;(3)classifiertrainingandactionrecognition.AdoptingimprovedtrajectorieswithFishervectoristhemainparadigmnowanditobtainsleadingperformanceinseveraldatasets.However,improvedtrajectorieshaveseveralproblems,suchasthelongfeatu

6、reextractingtime,thelargespacetostoreandcan’tlearnfromdata.Recently,deeplearninghasgainedbreakthroughprogressinaudioandimagerecog-nitionandithasanoverwhelmedimprovementinperformanceovertraditionalmethod-s.Nevertheless,invideoactionrecognitionfield,deeplearningmethodshaveanslowprogressandhave’tou

7、tperformtraditionalmethods.Tosolvetheproblemsthattraditionalmethodssufferedfromaswellastoexploretheapplicationofdeeplearninginactionrecog-nition,thispaperproposetoadoptdeeplearningframeworkforactionrecognition.Basedondeeplearningfr