基于双流卷积神经网络的监控视频中打斗行为识别研究

发布时间：2023-08-11 16:05

　　为保护人类安全,监控已经遍布大街小巷,通常我们的监控只能做到把画面记录下来,需要人力监测异常行为的发生,这种方式不仅效率低而且成本高,一直以来研究者们都希望计算机能自动监测异常行为,因此基于视频的异常人体行为识别一直以来都是计算机视觉方面的一个重要且富有挑战的研究方向。以往针对视频的研究中,已经研究了如射击、挥刀、劈砍等行为的识别,但由于打斗行为具有随机性和不可预测性,因此对打斗行为的识别研究方面并没有很好的结果,此外,随着深度学习的发展,卷积神经网络成为一种最先进的图像分类模型,因此本文在此基础上进行视频数据中的打斗行为识别,并取得了良好的结果。本文主要工作如下:(1)针对要用深度学习的方法来进行打斗行为识别这一问题,本文提出了一种基于双流卷积神经网络的打斗行为识别方法,主要是因为双流卷积神经网络模型在视频行为识别方面具有很好的表现,而且双流卷积神经网络充分利用了视频的时间分量和空间分量,为识别打斗行为提供了更多的运动信息。(2)本文针对原双流卷积模型参数量大、运行效率低的问题,提出了改进的双流卷积神经网络模型来进行监控视频中打斗行为的识别,改进思路一方面是减少卷积层数,另一方面是将...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景与意义
    1.2 国内外研究现状
    1.3 本文主要研究内容
    1.4 本文章节安排
2 卷积神经网络的相关理论基础
    2.1 卷积神经网络的网络架构
    2.2 卷积神经网络的学习过程
        2.2.1 前向传播过程
        2.2.2 反向传播过程
    2.3 深度学习工具
        2.3.1 Caffe
        2.3.2 TensorFlow
    2.4 本章小结
3 基于玻尔兹曼熵的异常帧分类
    3.1 数据集介绍
        3.1.1 CASIA数据集
        3.1.2 CAVIAR数据集
        3.1.3 网络数据
    3.2 人体行为特征提取
        3.2.1 光流法介绍
        3.2.2 全局光流特征提取
    3.3 异常帧分类
        3.3.1 粒子运动状态分布直方图
        3.3.2 玻尔兹曼熵的计算
        3.3.3 异常帧筛选过程
        3.3.4 实验结果及分析
    3.4 本章小结
4 基于改进的双流卷积神经网络的打斗行为识别
    4.1 双流卷积神经网络
        4.1.1 基本网络结构
        4.1.2 时间流网络
        4.1.3 空间流网络
    4.2 改进的双流卷积神经网络模型设计
        4.2.1 网络参数设置及实验结果分析
        4.2.2 堆叠光流实验结果分析
    4.3 基于HOG+SVM的打斗行为识别
    4.4 扩展双流CNN模型的打斗行为识别
        4.4.1 基于双流VGG-16模型的打斗行为识别
        4.4.2 基于双流GoogLeNet模型的打斗行为识别
        4.4.3 基于双流ResNet模型的打斗行为识别
    4.5 综合对比与分析
        4.5.1 不同网络对打斗识别效果对比
        4.5.2 打斗识别方法的性能比较
    4.6 本章小结
5 总结和展望
    5.1 本文总结
    5.2 研究展望
致谢
参考文献
附录



本文编号：3841344