基于双流深度卷积神经网络的人体行为识别方法

发布时间：2021-11-18 07:23

　　近几年,受益于智慧城市、智能安防等领域的高速发展,无论是在学术研究领域还是在工业领域,使用深度学习方法的人体行为识别技术已经成为众多研究人员炙手可热的研究方向。虽然这些针对视频流的深度学习方法取得不错的识别率,但都存在网络设计复杂、训练难度大,需要高性能的硬件支持。因此,本文通过将人体行为识别分为两步,首先利用搭建的人体目标检测模型提取帧级骨架图像集,然后利用人体行为分类模型进行识别。通过“两步走”的方式将视频流转化成帧级骨架图像集可以降低对高性能硬件的依赖,再利用帧级骨架图像集进行行为分类,降低网络结构的复杂度和训练难度。总之,本文方法可在降低训练难度并减少对高性能硬件依赖的同时实现了对7种一般性人体行为的正确识别,并有良好的鲁棒性和泛化能力。首先,为了克服或者改善复杂背景对人体行为识别的干扰,将人体行为图像集转化为人体骨架图像集,借鉴目标检测算法,采用了基于双流深度卷积神经网络搭建人体目标检测模型,其中为了得到准确的人体骨架图而加入了人体躯干关联域方法。通过网络的多阶段、逐步精细化的预测人体关键点的位置以及人体躯干的正确连接,提高输出人体骨架图的准确度,并实现输出人体行为的骨架图,... 

【文章来源】：广东工业大学广东省

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

人体行为识别流程

如何克服或解决这些干扰因素并提取出有价值的特征仍然是许多研究人员的核心研究方向。如图1-2 所示是目前人体行为识别的主要方法。图 1-1 人体行为识别流程Fig.1-1 Human behavior recognition process图 1-2 人体行为识别的主要方法Fig.1-2 The main method of human behavior recognition

第一章 绪论学习方法学习的人体行为识别方法主要分为基于人体空兴趣(Space-Time Interset Points，STIP)的方型或人体运动特征的识别方法关注的重点都提出了星型骨架描述基线来提取目标人体的键点 3D 坐标信息搭建的立体化人体轮廓特时空体模型的识别过程，如图 1-3 所示，利能量图像[8]和运动历史图像[9]，然后通过马氏人体运动特征信息的行为识别方法关注的重趋势，可以降低噪声对运动信息的干扰。

【参考文献】：
期刊论文
[1]基于视觉的人体行为识别算法研究综述[J]. 陈煜平,邱卫根.  计算机应用研究. 2019(07)
[2]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军.  计算机学报. 2019(03)
[3]人体行为识别数据集研究进展[J]. 朱红蕾,朱昶胜,徐志刚.  自动化学报. 2018(06)
[4]基于深度学习的人体行为识别算法综述[J]. 朱煜,赵江坤,王逸宁,郑兵兵.  自动化学报. 2016(06)
[5]基于辨别性深度信念网络的说话人分割[J]. 马勇,鲍长春,夏丙寅.  清华大学学报(自然科学版). 2013(06)
[6]动作识别中局部时空特征的运动表示方法研究[J]. 雷庆,李绍滋.  计算机工程与应用. 2010(34)



本文编号：3502465