基于深度学习的行为识别及其在基建现场的应用

发布时间：2021-02-18 02:01

　　为了进一步保障公共场所内的安全与稳定,基于视频监控的人体行为识别技术得到了全社会的广泛关注。已有的基于深度学习的人体行为识别方法计算复杂度高、模型泛化性差且很难准确识别。本文对现有模型的优缺点进行分析,从模型的实用性和识别性能角度出发,以原始的双流卷积神经网络为基础并提出了两种改进模型。针对卷积神经网络（CNN）只能提取视频中静态特征和局部运动特征的问题,本文提出在空间流网络中融入长短时记忆网络（LSTM）,在时间流网络中用三维卷积（C3D）网络代替原二维卷积网络,形成改进的双流CNN-LSTM和C3D的网络结构,进一步加强视频中时序信息的学习,再使用加权融合的方式对两路网络Softmax层输出的决策分数进行加权运算,获得行为分类结果,但准确率还不够高。针对双流网络模型仅仅在决策分数阶段进行融合导致行为识别准确率较低的问题,本文提出在特征层面对空间流网络和时间流网络进行融合,此融合方式必须保证两路网络结构相同,鉴于三维卷积的优越性,在上述改进的基础上继续将空间流网络替换为C3D网络,形成改进的双流C3D网络结构,融合方式包括Conv5b融合、Fc7融合和hybrid融合。该网络在行为识... 

【文章来源】：西安科技大学陕西省

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景
    1.2 研究目的及意义
    1.3 国内外研究现状
        1.3.1 国外研究现状
        1.3.2 国内研究现状
    1.4 本文组织和架构
2 人体行为识别相关理论基础
    2.1 人体行为识别的基本流程
        2.1.1 传统行为识别方法
        2.1.2 深度学习行为识别方法
    2.2 深度学习理论基础
        2.2.1 神经元
        2.2.2 卷积神经网络的网络架构
        2.2.3 卷积神经网络的典型结构
    2.3 本章小结
3 人体行为识别中的运动目标检测技术
    3.1 帧间差分法
    3.2 混合高斯背景建模法及改进
    3.3 光流法
        3.3.1 稠密光流估计算法
        3.3.2 光流堆
        3.3.3 光流法实验结果及分析
    3.4 本章小结
4 基于改进的双流CNN-LSTM和C3D网络的人体行为识别
    4.1 原双流卷积神经网络
        4.1.1 原双流网络架构
        4.1.2 原双流网络架构存在的问题
    4.2 双流CNN-LSTM和C3D的网络结构
        4.2.1 网络模型的建立
        4.2.2 CNN-LSTM空间流卷积神经网络
        4.2.3 C3D时间流卷积神经网络
        4.2.4 基于Dropout方法的网络优化
        4.2.5 行为特征分类
        4.2.6 空间流和时间流网络加权融合
    4.3 UCF-101数据集的行为识别结果及分析
        4.3.1 UCF-101行为数据集介绍
        4.3.2 系统实验环境及模型评价标准
        4.3.3 空间流和时间流网络特征提取实验
        4.3.4 加权融合结果对比分析
    4.4 基建现场异常行为检测数据集的行为识别结果及分析
        4.4.1 基建现场异常行为检测数据集介绍
        4.4.2 实验与结果分析
    4.5 本章小结
5 基于改进的双流C3D网络的人体行为识别
    5.1 双流C3D的网络结构
        5.1.1 网络模型的建立
        5.1.2 C3D空间流和时间流卷积神经网络
        5.1.3 空间流和时间流网络特征融合
    5.2 UCF-101数据集的行为识别结果及分析
        5.2.1 空间流和时间流网络特征提取实验
        5.2.2 特征融合结果对比分析
        5.2.3 识别效果和结果分析
    5.3 基建现场异常行为检测数据集的行为识别结果及分析
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
附录


【参考文献】：
期刊论文
[1]基于区域特征融合网络的群组行为识别[J]. 杨兴明,范楼苗.  模式识别与人工智能. 2019(12)
[2]基于深度学习的视频中人体动作识别进展综述[J]. 罗会兰,童康,孔繁胜.  电子学报. 2019(05)
[3]建筑施工现场的安全管理研究[J]. 周凯.  工程技术研究. 2019(09)
[4]基于3D卷积神经网络的人体动作识别算法[J]. 张瑞,李其申,储珺.  计算机工程. 2019(01)
[5]基于Faster R-CNN的人体行为检测研究[J]. 莫宏伟,汪海波.  智能系统学报. 2018(06)
[6]时空特征融合深度学习网络人体行为识别方法[J]. 裴晓敏,范慧杰,唐延东.  红外与激光工程. 2018(02)
[7]五个进一步 扎实开展基建现场反违章行动[J]. 康健民.  华北电业. 2017(06)
[8]构建多尺度深度卷积神经网络行为识别模型[J]. 刘智,黄江涛,冯欣.  光学精密工程. 2017(03)
[9]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[10]基于傅里叶-隐马尔科夫模型的人体行为识别[J]. 黄静,孔令富,李海涛.  计算机仿真. 2011(07)

硕士论文
[1]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
[2]基于卷积神经网络的人体行为检测研究[D]. 周道洋.中国科学技术大学 2018



本文编号：3038871