基于深度卷积神经网络的人体行为识别研究

发布时间：2022-05-02 21:11

　　人体行为识别是当前计算机视觉领域的一个重要研究分支,通常分为个体行为识别与群组行为识别两个任务。个体与群组行为识别在研究上基于相似的理论,而在方法上有所不同,且具有各自的局限性。当前已有的个体行为识别方法需要大规模数据集预训练支撑,学习成本高,且无法充分利用输入数据中的时间信息。而已有的群组行为识别方法在群组中个体之间的关联信息的挖掘方面不够充分。本文在总结了行为识别方法的基础上,针对两种行为识别任务,主要解决了行为识别中的以下几个问题:第一,对于个体行为识别,如何有效利用时间信息提升识别性能,是个体任务中一个重要的问题;第二,群组中个体之间是有关联的,对群组中个体间的关系进行分析也是群组行为识别中一个关键的问题。针对这些问题,本文做出以下工作:（1）针对目前主流网络需要大型数据集预训练以及无法有效利用跨时间信息的问题,提出了基于双流卷积网络与膨胀3D卷积网络的深度神经网络模型。并重新设计网络结构,命名为多流3D融合网络。首先,利用改进的双流网络与膨胀3D网络提取人物动作特征。再利用分段长短期记忆网络提取时间特征。最后利用残差连接方法融合特征,得到最终的个体识别结果,实现了精确的个体行... 

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 选题背景及意义
    1.2 国内外研究现状
        1.2.1 个体行为识别介绍
        1.2.2 群组行为识别介绍
    1.3 论文研究内容和章节安排
        1.3.1 研究内容
        1.3.2 章节安排
    1.4 本章小结
第二章 视频行为识别关键算法
    2.1 运动目标检测
        2.1.1 背景减除法
        2.1.2 光流法
        2.1.3 帧间差分法
    2.2 深度学习方法
        2.2.1 卷积神经网络
        2.2.2 双流神经网络
        2.2.3 3D卷积网络
        2.2.4 长短期记忆神经网络
        2.2.5 门控循环单元
    2.3 本章小结
第三章 基于深度卷积网络的个体行为识别
    3.1 引言
    3.2 相关工作
    3.3 多流3D融合网络
        3.3.1 膨胀3D卷积网络
        3.3.2 双流卷积网络
        3.3.3 分段LSTM网络
        3.3.4 分支特征融合
    3.4 个体行为识别的实验结果及分析
        3.4.1 数据集介绍
        3.4.2 评价指标
        3.4.3 实验环境
        3.4.4 实验方法
        3.4.5 对比实验结果分析
        3.4.6 与其他方法对比分析
        3.4.7 混淆矩阵分析
    3.5 本章小结
第四章 基于聚类关联网络的群组行为识别
    4.1 引言
    4.2 相关工作
    4.3 聚类关联网络
        4.3.1 近邻传播算法
        4.3.2 改进的层次关联网络
    4.4 实验结果与分析
        4.4.1 数据集介绍
        4.4.2 评价指标
        4.4.3 实验环境
        4.4.4 实验方法
        4.4.5 实验设置
        4.4.6 消融实验结果与分析
        4.4.7 与其他方法的对比分析
        4.4.8 混淆矩阵分析
        4.4.9 部分实验结果可视化
    4.5 本章小结
第五章 总结和展望
    5.1 论文总结
    5.2 工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]基于稀疏化双线性卷积神经网络的细粒度图像分类[J]. 马力,王永雄.  模式识别与人工智能. 2019(04)
[2]基于深度卷积网络的目标检测综述[J]. 吴帅,徐勇,赵东宁.  模式识别与人工智能. 2018(04)



本文编号：3649969