基于深度学习的人体行为识别分析研究

《基于深度学习的人体行为识别分析研究》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、＠杳姜邱＊ｒ大＃硕士研究生学位论文基于深度学习的人体行为识别分析研究作者：董国豪指导教师：吴进杨悍东专业学＿！１（领域）：电子与通信工程Ｍ论文二〇一八年六月日期：单位代码１１６６４学号１５０２２１００９１．．．．分类号ＴＰ３９１密级公开西安邮电大学硕士研宄生学位论文Ｓ于站ＪＡ体行为Ｉ识别分析研究＿仲）、英文目ＲｅｓｅａｒｃｈｏｎＨｕｍａｎＡｃｔｉｏｎＲｅｃｏｇｎｉｔｉｏｎＢａｓｅｏｎＤｅｅＬｅａｒｎｉｎｐｇ指导教师姓名、职务

2、吴进ｍｔ旱系工作者姓名蔞５連？高专业学位类别专业学位领域＿程硬±电子与遒價＿工＿；ｇｇ提交论文日期二ｑ二八年六月……摘要摘要基于视频的人体行为识别，在智能监控、安防、基于内容的视频标注、智能人机交互等各个领域应用广泛，可以解决传统的基于人工的监控视频处理对人力资源的巨大消耗问题。同时自动化的人体行为识别，也解决了智能人机交互中的输入问题。传统的基于图像处理和计算机视觉技术的人体行为识别存在着准确率低、计算量大、算法逻辑复杂、对算法研究人员和工程人员背景知识要求高等缺陷。近年来，深度学习算法在计算机

3、视觉的各个应用领域取得了全面突破，将深度学习算法引入行为识别领域有着诸多优势。基于深度学习的特征提取算法，能解决传统行为识别算法中，基于人工手动设计特征提取算法的一些缺陷，在提高行为识别准确率的同时，还大大简化了算法的设计和实现流程。为了进一步研究深度学习算法在行为识别中的性能，本文以深度学习网络结构的优化作为出发点，设计并实现了两种基于深度学习的行为识别算法。两种算法分别基于三维卷积神经网络和用于序列处理的长短期记忆网络实现。基于三维卷积网络的算法，使用了多个小卷积核堆叠代替大卷积核的方法实现，加深了神经网络深度的同时，还降低

4、了网络的参数量，并且在三维卷积网络中增加了最新的批量归一化算法提升训练速度。基于长短期记忆网络的行为识别算法，使用本文实现的三维卷积网络作为前置的空间域和时间域特征提取器，然后将三维卷积网络输出的特征图展开为特征向量，使用长短期记忆网络来提取视频序列中包含的前后帧相关信息。最后在UCF-101数据集以及HMDB-51数据集上验证了本文所实现算法的各项性能，在UCF-101数据集上最高可达到94%的准确率，在HMDB-51数据集上最高可达到68%的准确率。研究工作证明了基于三维卷积网络在行为识别应用中的可行性，同时说明了基于不同深

5、度学习网络的融合算法对视频序列处理的优越性。关键词：行为识别；深度学习；三维卷积神经网络；长短期记忆网络IABSTRACTABSTRACTAvideo-basedhumanactionrecognitioniswidelyusedinvariousfieldssuchasintelligentmonitoring,security,content-basedvideoannotationandintelligenthuman-computerinteraction.Itcansolvethehugehumanresourceco

6、nsumptionproblemcausedbytraditionalmanual-basedvideoprocessing.Andatthesametime,automatedhumanactionrecognitionalsosolvesinputproblemsinsmarthuman-computerinteraction.Traditionalhumanactionrecognitionisbasedontheimageprocessingandcomputervisiontechnology,whichissuffe

7、ringthedisadvantagesoflowaccuracy,alargeamountofcalculation,complicatedalgorithmlogicandhighbackgroundknowledgerequirementsforalgorithmresearchersandengineer.Inrecentyears,thedeeplearningalgorithmhasmadeabreakthroughinvariousfieldsofcomputervision.Therearemanyadvanta

8、gesinintroducingdeeplearningalgorithmsintothefieldofactionrecognition.Thedeeplearningbasedfeatureextractionalgorithmcanovercomesome