視頻行為識別具有重要學術價值和大的應用前景,使得它迅速成為計算機視覺領域的研究熱點。因此,引起了研究人員和相關機構的極大興趣。但是,行為識別仍然是一個非常具有挑戰(zhàn)性的問題,因為一些現(xiàn)實數(shù)據(jù)都是從網(wǎng)頁視頻或者電影片段等中獲取,包含了大量攝像機運動、復雜背景以及類內(nèi)差異過大等問題。所以,提取有效的特征對于行為識別無疑是非常重要的。本文針對現(xiàn)有行為識別方法進行總結與分析,作出了以下幾點貢獻:首先,針對傳統(tǒng)3D卷積神經(jīng)網(wǎng)絡需要固定長度的網(wǎng)絡輸入問題,本文提出了一種自適應視頻鏡頭分割策略,它嘗試在不破壞語義結構的情況下保留運動信息和合適的時間依賴,實現(xiàn)了網(wǎng)絡自適應長度的輸入。該策略通過考慮相鄰幀之間的運動變化信息,捕獲了視頻序列中的短時依賴關系;然后,通過空時金字塔池化網(wǎng)絡（STPP）提取視頻片段內(nèi)的中時依賴關系;接著,提出了一種長期時間池化方法,捕獲了視頻段與段之間的長時依賴關系。最終,自適應長時間網(wǎng)絡被構建,得到最終固定長度的自適應長時描述子（Adaptive Long-Term Descriptor,ALTD）。其次,構建了多區(qū)域注意力空間網(wǎng)絡。通過結合全局注意力網(wǎng)絡和局部多區(qū)域網(wǎng)絡,空間... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容及章節(jié)安排
第二章 常見行為識別方法簡介
    2.1 引言
    2.2 行為識別公共數(shù)據(jù)庫
    2.3 基于人工特征的行為識別
        2.3.1 基于全局描述子的行為識別
        2.3.2 基于局部描述子的行為識別
    2.4 基于深度學習的行為識別
        2.4.1 基于 3D卷積網(wǎng)絡的行為識別
        2.4.2 基于雙流卷積網(wǎng)絡的行為識別
        2.4.3 基于循環(huán)網(wǎng)絡的行為識別
        2.4.4 基于深度生成模型的行為識別
    2.5 本章小結
第三章 一種基于自適應長期池化策略的行為識別方法
    3.1 引言
    3.2 自適應視頻鏡頭分割策略
        3.2.1 提取中值補償光流場
        3.2.2 統(tǒng)計運動變化信息
        3.2.3 自適應視頻鏡頭分割
    3.3 構建自適應長時描述子
        3.3.1 3DSTPP網(wǎng)絡結構
        3.3.2 長期時間池化方法
        3.3.3 網(wǎng)絡優(yōu)化求解
    3.4 實驗與分析
        3.4.1 視頻預處理
        3.4.2 參數(shù)設置
        3.4.3 參數(shù)選擇
        3.4.4 自適應長時描述子用于行為識別
    3.5 本章小結
第四章 一種基于多區(qū)域注意力機制的行為識別方法
    4.1 引言
    4.2 Inception-BN的網(wǎng)絡結構
        4.2.1 批量歸一化層和Inception模塊
        4.2.2 Inception-BN網(wǎng)絡模型
    4.3 全局注意力網(wǎng)絡
        4.3.1 注意力機制
        4.3.2 提取全局注意力特征
    4.4 局部多區(qū)域網(wǎng)絡
    4.5 構建多區(qū)域注意力描述子
    4.6 本文行為識別架構與仿真
        4.6.1 本文行為識別新構架
        4.6.2 實驗設置
        4.6.3 參數(shù)選擇
        4.6.4 實驗仿真分析
    4.7 本章小結
第五章 全文總結與展望
    5.1 全文總結
    5.2 未來展望
參考文獻
致謝
作者簡介



本文編號：3004505