融合时空网络与注意力机制的人体行为识别研究

发布时间：2025-03-30 04:22

　　人体行为识别任务在智能家居、智慧城市以及安全保障等众多领域有着广泛的应用前景和巨大的经济价值。随着人工智能技术的飞速发展,人体行为识别技术也取得了突破性进展。人体行为识别技术涵盖了图像处理、机器学习、计算机视觉和人机交互等众多学科的知识,研究难度较大。传统的人体行为识别方法依靠人工提取动作特征,工作量很大也很难保证时效性。如何降低算法复杂度,实现高效的人体行为识别成为一个重要的研究课题。针对传统行为识别方法中在不同的场景下需要人工提取不同特征的问题,本文设计了基于深度学习的人体行为识别方法。利用卷积神经网络(Convolutional Neural Networks,CNN)和循环神经网络(RecurrentNeural Network,RNN)构造双流时空网络,实现对输入数据的自主学习,简化人工提取特征的复杂度,提升行为识别的准确率。本文的主要工作如下:(1)分析整理了传统人体行为识别方法和基于深度学习的人体行为识别方法,发现深度学习方法的优越性。传统的人体行为识别依赖于人工提取特征,算法非常复杂。实际场景中人体遮挡、背景复杂等问题都增加了人工提取特征的难度。而深度学习的方法模拟人类大...

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图２－２?ＤＴ算法结构［２］??Ｆｉｇｕｒｅ?２－２?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?Ｄｅｎｓｅ?Ｔｒａｊｅｃｔｏｒｉｅｓ?（ＤＴ）?ａｌｇｏｒｉｔｈｍ＾??

Ｆｉｇｕｒｅ?２－１?Ｈａａｒ－ｌｉｋｅ?ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ??密集轨迹［２］?（Ｄｅｎｓｅ?Ｔｒａｊｅｃｔｏｒｉｅｓ，ＤＴ）算法和改进的密集轨迹（Ｉｍｐｒｏｖｅｄ?Ｄｅｎｓｅ??Ｔｒａｊｅｃｔｏｒｉｅｓ，ｉＤＴ）算法。图２－２阐释了提取和描述密集轨迹的方法。ＤＴ算法....

图２￣４改进的Ｉｎｃｅｐｔｉｏｎ结构??Ｆｉｇｕｒｅ?２－４?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｉｍｐｒｏｖｅｄ?Ｉｎｃｅｐｔｉｏｎ??

但是卷积核基于上一层的所有输出进行操作，会导致５ｘ５的卷积核的计算量??过大，进而导致特征图厚度过大。为了解决这个问题，就出现了改进的Ｉｎｃｅｐｔｉｏｎ结??构，如图２－４所不。在３＞＜３、５＞＜５的卷积核前和３＞＜３的ｍａｘｐｏｏｌｉｎｇ后分别添加１ｘ１??的卷积核，以此降低特....

图２－６?ＩｎｄＲＮＮ结构??Ｆｉｇｕｒｅ?２－６?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＩｎｄＲＮＮ??

在每一个通道中分别进行卷积和池化操作。??Ｔｒａｎ等人［１４］在３Ｄ?ＣＮＮ模型的基础上设计了?Ｃ３Ｄ网络。Ｃ３Ｄ可以基于视频提??取特征。２Ｄ与３Ｄ卷积的对比，如图２－７所示。（ａ）和（ｂ）分别显示２Ｄ卷积用于单??通道图像和多通道图像的情况（多通道图像可以指同一张图片的３个颜....

图２－７?２Ｄ卷积和３Ｄ卷积的对比??Ｆｉｇｕｒｅ?２－７?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?２Ｄ?ｃｏｎｖｏｌｕｔｉｏｎ?ａｎｄ?３Ｄ?ｃｏｎｖｏｌｕｔｉｏｎ??

２．３．２?ＣＮＮ与ＲＮＮ结合的方法??Ｊ．Ｄｏｎａｈｕｅ等人［１７］提出长期循环卷积神经网络（Ｌｏｎｇ－ｔｅｒｍ?Ｒｅｃｕｒｒｅｎｔ??Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｔｗｏｒｋ，?ＬＲＣＮ），如图２－８所示。ＬＲＣＮ的结构包含两部分：卷积神??经网络ＣＮＮ和长短期记忆网络ＬＳ....

本文编号：4038184