基于多纤维特征融合的行人异常行为识别算法研究

发布时间：2022-07-03 12:13

　　随着计算机视觉与深度学习理论的不断发展,基于深度学习的行为识别技术渐渐成为计算机视觉领域的重要研究方向之一,广泛地应用于诸如智能监控、人机交互等多个领域。其中,相比传统特征提取方法,卷积神经网络（Convolutional Neural Network,CNN）作为一种典型的深度学习模型在图像分类任务中取得了突破性进展,然而应用于视频中的行为识别模型仍然存在准确率较低、计算成本和模型存储较大等问题。因此,在深度学习的基础上,有效地识别视频中的行为具有广泛的研究价值与重要的研究意义。论文首先介绍了行人异常行为识别技术的研究背景及意义,分析了该技术国内外的研究现状,然后阐述了卷积神经网络理论基础以及基于深度学习的主流行为识别方法,对于该任务目前存在的问题和难点进行了分析,并依据行人异常行为识别中存在的问题,本文展开了以下两方面的工作和创新:（1）提出了基于深度可分离卷积的三维多纤维网络模型针对三维卷积神经网络（3D CNN）模型计算量较大的问题,本文在目前行为识别任务中表现优异的三维多纤维网络（3D Multi-fiber Network,3D MF-Net）中引入二维卷积神经网络（2D ... 

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究的背景和意义
    1.2 国内外研究现状
        1.2.1 基于人工特征的行为识别方法
        1.2.2 基于深度学习特征的行为识别方法
    1.3 研究内容及章节安排
        1.3.1 研究内容
        1.3.2 章节安排
第2章 行为识别相关模型概述
    2.1 人工神经网络
        2.1.1 人工神经网络模型
        2.1.2 反向传播算法
    2.2 卷积神经网络
        2.2.1 卷积神经网络
        2.2.2 卷积神经网络典型结构
    2.3 基于深度学习的行为识别
        2.3.1 基于双流网络的识别方法
        2.3.2 基于卷积循环神经网络的识别方法
        2.3.3 基于三维卷积的识别方法
    2.4 行为识别数据集
    2.5 本章小结
第3章 基于深度可分离卷积的三维多纤维网络模型
    3.1 多纤维网络
    3.2 卷积神经网络的一般优化方法
        3.2.1 深度可分离卷积
        3.2.2 空洞卷积
        3.2.3 模型收缩超参数
    3.3 基于深度可分离卷积的三维多纤维网络模型
        3.3.1 基于深度可分离卷积的多纤维模块
        3.3.2 算法思路
    3.4 实验结果与分析
        3.4.1 实验数据集
        3.4.2 算法的实现过程
        3.4.3 实验结果与分析
    3.5 本章小结
第4章 基于注意力机制的三维自适应卷积神经网络模型
    4.1 卷积核动态选择网络(SKNet)
    4.2 基于注意力机制的三维自适应卷积神经网络模型
        4.2.1 三维自适应卷积层
        4.2.2 多尺度特征融合池化层
        4.2.3 基于注意力机制的三维自适应卷积神经网络
    4.3 实验结果与分析
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录


【参考文献】：
期刊论文
[1]基于多尺度池化卷积神经网络的疲劳检测方法研究[J]. 顾王欢,朱煜,陈旭东,郑兵兵,何林飞.  计算机应用研究. 2019(11)
[2]一种基于深度学习的异常行为识别方法[J]. 杨锐,罗兵,郝叶林,常津津.  五邑大学学报(自然科学版). 2018(02)
[3]智能视频监控系统中运动目标检测方法综述[J]. 王春兰.  自动化与仪器仪表. 2017(03)

硕士论文
[1]基于深度学习的异常行为识别算法研究[D]. 陆晴.哈尔滨工业大学 2018
[2]基于深度学习的视频行为识别技术研究[D]. 余兴.电子科技大学 2018
[3]基于深度学习的人类行为分析技术的研究与实现[D]. 储彬彬.东南大学 2017
[4]基于HOG的行人跟踪与识别技术的研究与实现[D]. 谢鹏鹏.国防科学技术大学 2014



本文编号：3654819