基于视频内容的行为识别算法研究

发布时间：2021-08-03 02:16

　　随着视频信息量的激增与机器视觉的快速发展,人们对视频处理领域的技术要求越来越高。视频行为识别作为视频理解方向的一个分支,具有十分重要的研究意义。该文对视频行为识别算法做了详细研究,旨在于通过对视频时空信息的分析,形成更加有效的视频特征,得到更有判别力的视频行为识别系统。首先,设计了基于时空卷积网络的视频行为识别算法,将视频行为识别处理为单独对视频空间与时间信息的获取。在双流卷积网络的基础上,比较分析了光流图像和显著性图像作为网络输入时,对行为识别效果的影响。同时,通过视频时空信息的分析,并借助三维卷积,构建了一个具有双分支结构的时空卷积网络,该网络能够以独立且明确的方式获取视频的时间与空间信息,提高了行为识别效果。其次,研究了基于循环神经网络的特征融合与视频分段的视频行为识别算法,将视频行为识别工作按时序信息处理。在循环神经网络的基础上,首先实现了与卷积神经网络联合的行为识别算法,并对网络类型和采样长度的选取进行比较分析;再者,分别根据相邻特征平均化和三维卷积网络,提出了基于特征融合的识别算法;之后,提出了基于视频分段的视频行为识别算法,并比较分析了融合函数和视频段数对行为识别效果的影... 

【文章来源】：燕山大学河北省

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及意义
    1.2 国内外研究现状
        1.2.1 基于人工设计的特征
        1.2.2 基于网络训练的特征
    1.3 本文研究内容
    1.4 本文组织结构
第2章 深度学习及神经网络理论基础
    2.1 深度学习概述
    2.2 人工神经网络
        2.2.1 单个神经元
        2.2.2 前馈神经网络
        2.2.3 反向传播
    2.3 卷积神经网络
        2.3.1 卷积
        2.3.2 池化
        2.3.3 激活函数
    2.4 深度学习工具
    2.5 本章小结
第3章 基于时空卷积网络的视频行为识别算法
    3.1 引言
    3.2 双流卷积网络
        3.2.1 双流卷积网络结构
        3.2.2 光流
        3.2.3 时间流卷积网络
    3.3 时空卷积网络
        3.3.1 三维卷积
        3.3.2 时空卷积模块
        3.3.3 时空卷积网络构建
    3.4 实验仿真与分析
        3.4.1 数据集
        3.4.2 双流卷积网络的实验设置
        3.4.3 双流卷积网络的识别性能分析
        3.4.4 时空卷积网络的实验设置
        3.4.5 时空卷积网络的识别性能分析
    3.5 本章小结
第4章 基于循环神经网络的视频行为识别算法
    4.1 引言
    4.2 基于循环神经网络的视频行为识别
        4.2.1 RNN及 LSTM
        4.2.2 基于LSTM网络的视频行为识别
        4.2.3 基于特征融合与LSTM网络的视频行为识别
        4.2.4 基于视频分段与LSTM网络的视频行为识别
    4.3 实验仿真与分析
        4.3.1 实验设置
        4.3.2 基于LSTM网络算法的识别性能分析
        4.3.3 基于特征融合与LSTM网络算法的识别性能分析
        4.3.4 基于视频分段与LSTM网络算法的识别性能分析
        4.3.5 与其他方法的比较
    4.4 本章小结
第5章 基于三维卷积稠密网络的视频行为识别算法
    5.1 引言
    5.2 网络构建
        5.2.1 三维卷积网络
        5.2.2 DenseNet网络
        5.2.3 三维卷积稠密网络
        5.2.4 多尺度三维卷积稠密网络
    5.3 实验仿真与分析
        5.3.1 实验设置
        5.3.2 三维卷积稠密网络的识别性能分析
        5.3.3 多尺度三维卷积稠密网络的识别性能分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：3318722