基于深度学习的人体行为检测方法研究

基于深度学习的人体行为检测方法研究

ID:37071823

大小:6.12 MB

页数:84页

时间:2019-05-17

基于深度学习的人体行为检测方法研究_第1页
基于深度学习的人体行为检测方法研究_第2页
基于深度学习的人体行为检测方法研究_第3页
基于深度学习的人体行为检测方法研究_第4页
基于深度学习的人体行为检测方法研究_第5页
资源描述:

《基于深度学习的人体行为检测方法研究》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、分类号:密级:UDC:编号:工学硕士学位论文基于深度学习的人体行为检测方法研究硕士研究生:王中旺指导教师:莫宏伟教授学科、专业:控制科学与工程论文主审人:管凤旭副教授哈尔滨工程大学2018年3月分类号:密级:UDC:编号:工学硕士学位论文基于深度学习的人体行为检测方法研究硕士研究生:王中旺指导教师:莫宏伟教授学位级别:工学硕士学科、专业:控制科学与工程所在单位:自动化学院论文提交日期:2018年1月论文答辩日期:2018年3月学位授予单位:哈尔滨工程大学ClassifiedIndex:U.D.C:ADissertationfortheD

2、egreeofM.EngResearchonHumanActionDetectionBasedonDeepLearningCandidate:WangZhongwangSupervisor:Prof.MoHongweiAcademicDegreeAppliedfor:MasterofEngineeringSpecialty:ControlScienceandEngineeringDateofSubmission:Jan.2018DateofOralExamination:Mar.2018University:HarbinEngineer

3、ingUniversity哈尔滨工程大学学位论文原创性声明本人郑重声明:本论文的所有工作,是在导师的指导下,由作者本人独立完成的。有关观点、方法、数据和文献的引用已在文中指出,并与参考文献相对应。除文中已注明引用的内容外,本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。作者(签字):日期:年月日哈尔滨工程大学学位论文授权使用声明本人完全了解学校保护知识产权的有关规定,即研究生在校攻读学位期间论文工作的知识产权属于哈尔滨工程大学

4、。哈尔滨工程大学有权保留并向国家有关部门或机构送交论文的复印件。本人允许哈尔滨工程大学将论文的部分或全部内容编入有关数据库进行检索,可采用影印、缩印或扫描等复制手段保存和汇编本学位论文,可以公布论文的全部内容。同时本人保证毕业后结合学位论文研究课题再撰写的论文一律注明作者第一署名单位为哈尔滨工程大学。涉密学位论文待解密后适用本声明。本论文(□在授予学位后即可□在授予学位12个月后□解密后)由哈尔滨工程大学送交有关部门进行保存、汇编等。作者(签字):导师(签字):日期:年月日年月日带格式的:段落间距段后:24磅,边框:底端:(无框基于深度

5、学习的人体行为检测方法研究线)摘要人体行为检测是计算机视觉与模式识别领域重要的研究内容,其在运动分析、智能视频监控、人机交互、民用和军事等众多领域中有着广泛的应用前景。人体行为检测是通过计算机视觉和计算机图形图像处理等技术对视频图像中人的行为进行识别的。传统的人体行为检测需要靠人工提取行为特征,提取有效特征的难度大并且识别的精度较低。深度学习的方法可以让拥有多个处理层的计算模型来学习多层次抽象的数据表示,并且在语音识别、视觉对象识别等领域取得了重大进展。所以利用深度学习的方法研究人体行为检测是行之有效且值得探索的工作。本文主要研究了深度

6、学习卷积神经网络对人体行为检测的方法。卷积神经网络相对于全连接的神经网络,通过局部感受野和权值共享,大大降低了需要训练的参数个数,使训练速度加快,效率更高并且能够提取到人体行为中的有效的特征。本文在人体行为检测中,重点研究了FasterR-CNN算法,针对算法的不足之处进行了改进,实现了从数据采集到最后生成输出检测信息整个流程的算法。首先,研究了卷积神经网络的原理和训练过程,进而选择使用FasterR-CNN的方法,并对此算法的原理进行了详细的阐述。并利用PascalVOC2012中的标准数据集制作了人体行为数据集,针对算法的特点选择交

7、替训练的方法,确定了具体的算法流程。并且选择深度学习开源框架Caffe执行此算法。其次,通过两个预训练模型分别对人体行为数据集初始化和提取特征,采用FasterR-CNN算法实验。通过实验对两种模型的结果进行对比分析,发现深度学习模型的网络越深,模型的结构越丰富,对人体行为中各类行为的识别效果就会越好。最后,根据以上的结论对算法进行了一定的改进,改进时主要考虑加入更深的模型ResNet,加入了使深层网络更容易训练的批量规范化算法和OHEM算法。并对此改进算法进行实验验证,验证的分类和位置精度达到了80%以上,实验结果表明改进的算法具有识

8、别精度高的特点。关键词:人体行为;深度学习;卷积神经网络;FasterR-CNN带格式的:段落间距段后:24磅,边框:底端:(无框哈尔滨工程大学硕士学位论文线)带格式的:段落间距段后:24磅,边框:底端:(

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。