基于深度学习的视频人体行为识别研究

发布时间：2025-04-14 22:55

　　在计算机视觉领域,视频人体行为识别一直是个热门的研究方向。视频人体行为识别不同于静态图像的人体行为识别,输入网络的不是单帧图像而是连续多帧序列,图像绪论蕴含了更多的时序信息,是未来行为识别的主流研究方向。传统的人体行为识别方法由于其耗时长,特征提取复杂等原因,难以在实际应用中有重大突破。随着计算机软硬件的高速发展,2006年提出来的深度学习理论得以实践,视频人体行为识别再次被重视起来。如今,视频人体行为识别在视频监控,智能家居,体感互动等领域都有着广泛的运用,发挥着重要的作用。本文从深度学习理论出发,结合最新的研究成果,对以下两点进行实验研究。在3D网络的基础上增加密集和残差结构,提出密集残差网络(R-Densenet)。相比于2D卷积核,3D卷积核增加了一个深度维度来提取时序信息,可以有效的提取到动作的时序信息,对一些相似动作有良好的识别能力。3D网络复杂的网络结构导致计算量大,运行速度慢,网络难以抵达很深的深度,无法发挥深度学习的优势,因此在3D网络的基础上提出密集残差结构,通过密集残差的网络结构来解决梯度消失,网络退化等问题,同时跳跃的链接可以有效减少网络的参数,让网络更加轻便,有...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 国内外研究现状
        1.2.1 基于RGB图像的人体行为识别
        1.2.2 基于骨骼节点的行为识别
    1.3 本文研究内容和组织结构
第2章 基于深度学习的人体行为识别概述
    2.1 卷积神经网络
        2.1.1 卷积核
        2.1.2 池化
        2.1.3 全连接层
        2.1.4 激活函数
        2.1.5 损失函数
    2.2 3D卷积网络
        2.2.1 3D卷积核
        2.2.2 伪3D结构
    2.3 常用数据集
    2.4 本章小结
第3章 密集残差结构在3D网络上的研究
    3.1 残差网络和密集网络
    3.2 3D密集残差网络连接
        3.2.1 3D密集网络
        3.2.2 密集残差网络
    3.3 实验过程与结果分析
        3.3.1 实验数据集
        3.3.2 实验参数设置
        3.3.3 实验结果
    3.4 本章小结
第4章 基于骨骼节点的人体行为识别研究
    4.1 Kinect获得骨骼图像
    4.2 骨骼节点拓扑图的建立
        4.2.1 骨骼序列的划分方式
        4.2.2 时空图卷积
    4.3 深度信息数据集
    4.4 实验设置与结果分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：4039669