基于光流特征的卷积神经网络行为识别研究

发布时间：2021-03-10 09:29

　　计算机视觉领域的迅速发展,以及现代社会安防意识的逐步提高,基于视频的行为识别研究在人类日常生活的各个方面有着重要的意义和应用价值。国内外学者在行为识别这一研究领域已经有了一定的发展成果,在深度学习出现之前,研究思路一般是首先对视频样本提取行为特征,然后进行行为识别分类。而深度学习卷积神经网络（Convolutional Neural Network,CNN）技术的出现,带来了行为识别领域的新篇章,CNN能够自动地从输入数据中逐层地学习特征,并且对平移、缩放、旋转等变换具有不变性,广泛应用于各个领域。在深入了解行为识别领域研究现状以及CNN结构原理的基础上,针对行为识别过程的实时性和准确性问题,在时间分段网络进行行为识别的基础上,提出了基于CeLiu算法求解光流场图像的行为识别过程,经过实验对比验证,这种算法对最终的行为识别准确率有了一定的提高,但实时性反而有所下降。为了进一步提高行为识别过程的实时性和准确率,将通过CNN自动提取光流场的算法FlowNet2.0引入到行为识别过程中,在光流的求解过程经过双线性采样、闭合解求边界等方法的处理,可以得到具有尖锐运动边界的平滑光流场图像,然后将... 

【文章来源】：云南大学云南省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

尺度变化和杂乱背景（源自UCF101数据集）

光线变化和视角变化（源自UCF101数据集）

光流颜色编码方案

【参考文献】：
期刊论文
[1]静止背景下的人体行为识别方法[J]. 高晨兰,朱嘉钢.  计算机工程. 2017(10)
[2]Face recognition based on subset selection via metric learning on manifold[J]. Hong SHAO,Shuang CHEN,Jie-yi ZHAO,Wen-cheng CUI,Tian-shu YU.  Frontiers of Information Technology & Electronic Engineering. 2015(12)

硕士论文
[1]迁移学习在图像分类中的应用研究[D]. 吴国琴.安徽大学 2017



本文编号：3074448