發(fā)布時(shí)間：2020-05-12 06:05

【摘要】：基于視頻的人體行為識(shí)別一直是計(jì)算機(jī)視覺(jué)領(lǐng)域的熱門(mén)研究方向,在智能視頻監(jiān)控、安全駕駛、人機(jī)交互和視頻檢索等領(lǐng)域有著重要的應(yīng)用價(jià)值。隨著深度學(xué)習(xí)技術(shù)的發(fā)展成熟,人體行為識(shí)別取得了突破性進(jìn)展,但由于人體行為復(fù)雜性和背景噪音等問(wèn)題,如何高效準(zhǔn)確地提取人體行為特征,設(shè)計(jì)一種高精度、泛化能力強(qiáng)的人體行為識(shí)別算法仍是巨大的挑戰(zhàn)。針對(duì)這些問(wèn)題,本文的主要研究工作如下:提出一種基于二維注意力卷積神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別算法。為了減少背景噪音干擾,準(zhǔn)確提取關(guān)鍵區(qū)域的特征信息,本文提出一種基于像素級(jí)別的注意力機(jī)制,驅(qū)動(dòng)網(wǎng)絡(luò)自主學(xué)習(xí)特征權(quán)重,有效地提高了算法性能。提出一種基于三維殘差卷積神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別算法。為了充分利用視頻的空間和時(shí)間信息,本文設(shè)計(jì)一種三維卷積神經(jīng)網(wǎng)絡(luò),同時(shí)提取時(shí)空特征,并嵌入三維殘差結(jié)構(gòu),加深網(wǎng)絡(luò)寬度的同時(shí)提高性能,為減少模型參數(shù)量,使用全局平均池化代替全連接層。該算法在準(zhǔn)確率和速度上具有良好的效果。提出一種基于多流卷積神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別算法。為了增強(qiáng)模型的泛化性能,本文提出使用多模態(tài)數(shù)據(jù)輸入,包括RGB圖、光流圖和梯度圖,并使用二維和三維多種網(wǎng)絡(luò)結(jié)構(gòu),最后提出兩種網(wǎng)絡(luò)加權(quán)融合策略,該算法在UCF101數(shù)據(jù)集和HMDB51數(shù)據(jù)集上的準(zhǔn)確率分別為95.1%和71.6%。提出基于滑動(dòng)窗口的駕駛員異常行為監(jiān)控預(yù)警機(jī)制,通過(guò)累計(jì)異常值和與異常閾值判斷是否觸發(fā)預(yù)警,進(jìn)一步設(shè)計(jì)并完成原型系統(tǒng),通過(guò)自主采集的駕駛員行為數(shù)據(jù)集完成應(yīng)用層面的算法驗(yàn)證。
【圖文】：

研宄內(nèi)容將包括以下幾個(gè)方面：人體行為識(shí)別算法的研究與創(chuàng)新、駕駛員異常監(jiān)逡逑控預(yù)警機(jī)制的設(shè)計(jì)與實(shí)現(xiàn)、原型系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。其中，參考于Ｍａｂｒｏｕｋ教授逡逑等人的綜述＠］，，本文將人體行為識(shí)別的整體流程歸納如圖１－１所示，本文具體工逡逑作展開(kāi)如下。逡逑一邐行為}柙げ忮義暇植閿颪B邐邐邐邐逡逑行邐ｒ＾ｌ邐有栜逡逑力邐邐邋邐逡逑｜邐行為壚：訓(xùn)練和學(xué)習(xí)一？邐半監(jiān)替逡逑／＼邐無(wú)監(jiān)替逡逑１邋ｒ邐邐逡逑邐—＝ｚ＝＾ｚ＝—邐＾逡逑牛邐形娜正逡逑今制ＩＢＳ述邐—邐邐邐：逡逑邐Ｉ邋？栜持征逡逑＾邐Ｍ邋＿乍持征￣￣逡逑表邐ｕ邐邐逡逑示邐邐逡逑特征提取邐一［Ｈ？局部特征：ＨＯＦ／ＨＯＧ／ＭＢＨ等逡逑低層語(yǔ)義介邐‘全局持征：~T等逡逑１邋，

本文編號(hào)：2659780