發(fā)布時(shí)間：2022-05-02 21:11

　　人體行為識(shí)別是當(dāng)前計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究分支,通常分為個(gè)體行為識(shí)別與群組行為識(shí)別兩個(gè)任務(wù)。個(gè)體與群組行為識(shí)別在研究上基于相似的理論,而在方法上有所不同,且具有各自的局限性。當(dāng)前已有的個(gè)體行為識(shí)別方法需要大規(guī)模數(shù)據(jù)集預(yù)訓(xùn)練支撐,學(xué)習(xí)成本高,且無(wú)法充分利用輸入數(shù)據(jù)中的時(shí)間信息。而已有的群組行為識(shí)別方法在群組中個(gè)體之間的關(guān)聯(lián)信息的挖掘方面不夠充分。本文在總結(jié)了行為識(shí)別方法的基礎(chǔ)上,針對(duì)兩種行為識(shí)別任務(wù),主要解決了行為識(shí)別中的以下幾個(gè)問(wèn)題:第一,對(duì)于個(gè)體行為識(shí)別,如何有效利用時(shí)間信息提升識(shí)別性能,是個(gè)體任務(wù)中一個(gè)重要的問(wèn)題;第二,群組中個(gè)體之間是有關(guān)聯(lián)的,對(duì)群組中個(gè)體間的關(guān)系進(jìn)行分析也是群組行為識(shí)別中一個(gè)關(guān)鍵的問(wèn)題。針對(duì)這些問(wèn)題,本文做出以下工作:（1）針對(duì)目前主流網(wǎng)絡(luò)需要大型數(shù)據(jù)集預(yù)訓(xùn)練以及無(wú)法有效利用跨時(shí)間信息的問(wèn)題,提出了基于雙流卷積網(wǎng)絡(luò)與膨脹3D卷積網(wǎng)絡(luò)的深度神經(jīng)網(wǎng)絡(luò)模型。并重新設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu),命名為多流3D融合網(wǎng)絡(luò)。首先,利用改進(jìn)的雙流網(wǎng)絡(luò)與膨脹3D網(wǎng)絡(luò)提取人物動(dòng)作特征。再利用分段長(zhǎng)短期記憶網(wǎng)絡(luò)提取時(shí)間特征。最后利用殘差連接方法融合特征,得到最終的個(gè)體識(shí)別結(jié)果,實(shí)現(xiàn)了精確的個(gè)體行... 

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 選題背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 個(gè)體行為識(shí)別介紹
        1.2.2 群組行為識(shí)別介紹
    1.3 論文研究?jī)?nèi)容和章節(jié)安排
        1.3.1 研究?jī)?nèi)容
        1.3.2 章節(jié)安排
    1.4 本章小結(jié)
第二章 視頻行為識(shí)別關(guān)鍵算法
    2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)
        2.1.1 背景減除法
        2.1.2 光流法
        2.1.3 幀間差分法
    2.2 深度學(xué)習(xí)方法
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 雙流神經(jīng)網(wǎng)絡(luò)
        2.2.3 3D卷積網(wǎng)絡(luò)
        2.2.4 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)
        2.2.5 門控循環(huán)單元
    2.3 本章小結(jié)
第三章 基于深度卷積網(wǎng)絡(luò)的個(gè)體行為識(shí)別
    3.1 引言
    3.2 相關(guān)工作
    3.3 多流3D融合網(wǎng)絡(luò)
        3.3.1 膨脹3D卷積網(wǎng)絡(luò)
        3.3.2 雙流卷積網(wǎng)絡(luò)
        3.3.3 分段LSTM網(wǎng)絡(luò)
        3.3.4 分支特征融合
    3.4 個(gè)體行為識(shí)別的實(shí)驗(yàn)結(jié)果及分析
        3.4.1 數(shù)據(jù)集介紹
        3.4.2 評(píng)價(jià)指標(biāo)
        3.4.3 實(shí)驗(yàn)環(huán)境
        3.4.4 實(shí)驗(yàn)方法
        3.4.5 對(duì)比實(shí)驗(yàn)結(jié)果分析
        3.4.6 與其他方法對(duì)比分析
        3.4.7 混淆矩陣分析
    3.5 本章小結(jié)
第四章 基于聚類關(guān)聯(lián)網(wǎng)絡(luò)的群組行為識(shí)別
    4.1 引言
    4.2 相關(guān)工作
    4.3 聚類關(guān)聯(lián)網(wǎng)絡(luò)
        4.3.1 近鄰傳播算法
        4.3.2 改進(jìn)的層次關(guān)聯(lián)網(wǎng)絡(luò)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 數(shù)據(jù)集介紹
        4.4.2 評(píng)價(jià)指標(biāo)
        4.4.3 實(shí)驗(yàn)環(huán)境
        4.4.4 實(shí)驗(yàn)方法
        4.4.5 實(shí)驗(yàn)設(shè)置
        4.4.6 消融實(shí)驗(yàn)結(jié)果與分析
        4.4.7 與其他方法的對(duì)比分析
        4.4.8 混淆矩陣分析
        4.4.9 部分實(shí)驗(yàn)結(jié)果可視化
    4.5 本章小結(jié)
第五章 總結(jié)和展望
    5.1 論文總結(jié)
    5.2 工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況


【參考文獻(xiàn)】：
期刊論文
[1]基于稀疏化雙線性卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度圖像分類[J]. 馬力,王永雄.  模式識(shí)別與人工智能. 2019(04)
[2]基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測(cè)綜述[J]. 吳帥,徐勇,趙東寧.  模式識(shí)別與人工智能. 2018(04)



本文編號(hào)：3649969