【摘要】：人體行為識別是指通過各種傳感器感知行為活動數(shù)據(jù),并利用計算機自動檢測技術(shù)分析和理解人體各種行為的過程,其在很多方面有著廣泛的應用前景,包括視頻監(jiān)控、醫(yī)療診斷和監(jiān)護、智能家具和智能人機交互等。在人體行為識別方面,當前的研究工作主要是使用傳統(tǒng)的深度學習模型進行特征提取,存在關(guān)鍵特征提取不足、工作量大且難以保證時效性的問題。為此,高效準確的人體行為識別算法研究成為一個新的熱點。本文旨在探索不同的行為識別算法,從中選取感知高效、識別實時且泛化能力強的算法進行人體行為識別。人體行為識別技術(shù)的核心主要包含感知和識別兩方面,旨在將先進的模式識別技術(shù)、傳感器技術(shù)以及計算機技術(shù)等有效地綜合運用于整個人體行為識別系統(tǒng)。本文對深度學習算法進行了全面地分析和總結(jié),探索不同的深度學習算法對時間序列數(shù)據(jù)進行特征提取時的性能,設(shè)計并實現(xiàn)了兩種新穎的模型用于提取人體行為識別的細粒度特征,極大地提高了行為分類的準確率。此外,本文還全面地分析了傳感器數(shù)據(jù)的特點,探索其在人體行為識別系統(tǒng)中的應用價值。本文的主要工作如下:(1)提出了一種新的人體行為識別網(wǎng)絡(luò)HDL(Hierarchical Deep Learning,分層深度學習),它結(jié)合了 DBLSTM(深度雙向長短時記憶網(wǎng)絡(luò))模型和CNN(卷積神經(jīng)網(wǎng)絡(luò))模型。為了更好地捕捉時間序列數(shù)據(jù)的信息,本文加深BLSTM層的層數(shù),前一個BLSTM層的輸出被傳送到下一個BLSTM層。隨著BLSTM層數(shù)的增加,可以獲得更加抽象的輸出結(jié)果,從而提取到原始數(shù)據(jù)的細粒度特征。此外,將CNN引入到DBLSTM模型中進行特征提取,取得了顯著的效果。在UCI HAR數(shù)據(jù)集上的實驗結(jié)果表明,HDL網(wǎng)絡(luò)的準確率和F1值分別高達97.95%和 97.27%,準確率比 S-LSTM 和 Dropout CNN 分別高 2.14%和 6.97%。(2)由于HDL進行特征提取只是按照順序簡單地過濾數(shù)據(jù),沒有對反應行為變化的關(guān)鍵特征進行捕捉。因此,設(shè)計了一種融合BLSTM與attention機制的人體行為識別模型ABLSTM。BLSTM通過正向LSTM和反向LSTM提取輸入數(shù)據(jù)的粗粒度特征。attention用于分析粗粒度特征集的重要程度,獲得更為突出的細粒度特征。在UCI HAR數(shù)據(jù)集上的實驗結(jié)果表明,ABLSTM模型準確率和F1值為99.4和99.0%,準確率和F1值比HDL分別高達1.45%和1.73%。同時在Opportunity數(shù)據(jù)集進行驗證,實驗結(jié)果表明,ABLSTM能夠很好地識別人類活動,F1值高達92.7%,推動了在移動感知方面人體行為識別的最新水平。(3)研究傳感器數(shù)據(jù)的內(nèi)在屬性,采集的數(shù)據(jù)具有時間序列的特征表達。在真實的智能手機數(shù)據(jù)集上對模型進行實驗驗證,采用分布規(guī)律的時間序列數(shù)據(jù)作為人體行為識別模型的輸入,利用時間序列數(shù)據(jù)的上下文信息來發(fā)現(xiàn)數(shù)據(jù)何時相關(guān),而不是簡單地處理單個數(shù)據(jù)幀。實驗結(jié)果表明,HDL和ABLSTM兩種模型均能夠有效地提取出隨時間變化的數(shù)據(jù)特征,彌補以往對于視頻圖像數(shù)據(jù)進行特征提取帶來的精度損失問題,從而能夠提高人體行為識別精度。
【學位授予單位】：天津師范大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TN929.53;TP212;TP183
【圖文】：

圖１－〗傳感器數(shù)據(jù)融合人體行為識別框架逡逑

圖２－１局部感知過程逡逑８逡逑

【相似文獻】

相關(guān)期刊論文 前10條

1 李紅;臧晶;;基于深度學習的人體行為識別技術(shù)研究[J];科技資訊;2019年29期

2 王永雄;李璇;李梁華;;動態(tài)多視角復雜3D人體行為數(shù)據(jù)庫及行為識別[J];數(shù)據(jù)采集與處理;2019年01期

3 富倩;;人體行為識別研究[J];信息與電腦(理論版);2017年24期

4 趙雄偉;;人體行為特征融合與行為識別的分析[J];無線互聯(lián)科技;2017年12期

5 雷慶;陳鍛生;李紹滋;;復雜場景下的人體行為識別研究新進展[J];計算機科學;2014年12期

6 魯統(tǒng)偉;任瑩;;基于光流的人體行為識別[J];電腦知識與技術(shù);2013年07期

7 王新旭;;基于視覺的人體行為識別研究[J];中國新通信;2012年21期

8 劉相濱,向堅持,王勝春;人行為識別與理解研究探討[J];計算機與現(xiàn)代化;2004年12期

9 ;城市形象設(shè)計與建設(shè)(連載)——第十章 城市行為識別[J];經(jīng)濟工作導刊;2000年01期

10 岳興錄,陳素賢;企業(yè)形象策劃的行為識別和視覺識別[J];遼寧經(jīng)濟;1996年06期

相關(guān)會議論文 前10條

1 葉小東;胡孝楠;胡超越;郭新華;;基于室內(nèi)聲納的人體行為識別研究[A];2018年全國聲學大會論文集 E檢測超聲[C];2018年

2 齊娟;陳益強;劉軍發(fā);;基于多模信息感知與融合的行為識別[A];第18屆全國多媒體學術(shù)會議（NCMT2009）、第5屆全國人機交互學術(shù)會議（CHCI2009）、第5屆全國普適計算學術(shù)會議（PCC2009）論文集[C];2009年

3 連儒東;李佳;;人體行為識別分析技術(shù)在檢察監(jiān)督中的應用及構(gòu)建[A];深化依法治國實踐背景下的檢察權(quán)運行——第十四屆國家高級檢察官論壇論文集[C];2018年

4 孫琪翔;何寧;張則宇;;基于深度學習方法的人體行為識別綜述[A];中國計算機用戶協(xié)會網(wǎng)絡(luò)應用分會2019年第二十三屆網(wǎng)絡(luò)新技術(shù)與應用年會論文集[C];2019年

5 安國成;羅志強;李洪研;;改進運動歷史圖的異常行為識別算法[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

6 何靖蕓;周洪鈞;;示教學習:一種端到端的機器人行為識別及生成的模仿學習方法[A];第36屆中國控制會議論文集（E）[C];2017年

7 張洋;姚登峰;;人類的行為識別分類方法綜述[A];中國計算機用戶協(xié)會網(wǎng)絡(luò)應用分會2019年第二十三屆網(wǎng)絡(luò)新技術(shù)與應用年會論文集[C];2019年

8 王忠民;張新平;梁琛;;基于滑動窗口異常數(shù)據(jù)提取的跌倒行為監(jiān)測方法[A];2016年全國通信軟件學術(shù)會議程序冊與交流文集[C];2016年

9 王麗;沈洲;季露;;面向車輛違章行為識別的智能視頻監(jiān)控系統(tǒng)[A];物聯(lián)網(wǎng)與無線通信-2017年全國物聯(lián)網(wǎng)技術(shù)與應用大會和2017年全國無線電應用與管理學術(shù)會議論文集[C];2017年

10 劉威;李石堅;潘綱;;uRecorder:基于位置的社會行為自動日志[A];第18屆全國多媒體學術(shù)會議（NCMT2009）、第5屆全國人機交互學術(shù)會議（CHCI2009）、第5屆全國普適計算學術(shù)會議（PCC2009）論文集[C];2009年

相關(guān)重要報紙文章 前10條

1 記者 徐微;生物行為識別技術(shù)派上大用場[N];長春日報;2019年

2 東林;行為識別新技術(shù)讓監(jiān)控沒有“死角”[N];人民公安報;2007年

3 素杰;形象就是影響力[N];中國包裝報;2004年

4 本報記者 馬愛平;動一動就認清你？機器說可以[N];科技日報;2017年

5 國家郵政局公眾服務(wù)部;明確經(jīng)營理念 推進形象工程[N];中國郵政報;2002年

6 何正坤;安全文化與企業(yè)CI戰(zhàn)略[N];中華合作時報;2003年

7 國家稅務(wù)總局法規(guī)司 張學瑞;加強稅收違法行為識別的研究[N];中國稅務(wù)報;2013年

8 符蓉邋通訊員 劉瀟;外經(jīng)貿(mào)職院引入大學新形象系統(tǒng)工程[N];湖南日報;2007年

9 農(nóng)發(fā)行鹿邑支行黨支部書記 行長 劉永貞;發(fā)行形象與文化落地農(nóng)[N];周口日報;2007年

10 李晨光;導入CIS要注意什么？[N];河北經(jīng)濟日報;2001年

相關(guān)博士學位論文 前10條

1 張潔;大規(guī)�？鐖鼍盁o線行為識別與隱私保護研究[D];西北大學;2019年

2 姚光樂;視頻序列中的行為識別技術(shù)研究[D];電子科技大學;2019年

3 席瑞;感知計算的若干關(guān)鍵技術(shù)研究[D];電子科技大學;2019年

4 丁文文;基于三維骨架的時空表示與人體行為識別[D];西安電子科技大學;2017年

5 楊延華;潛在信息融合的多任務(wù)人體行為識別[D];西安電子科技大學;2017年

6 田藝;基于多樣本與零樣本學習的人體行為識別研究[D];北京交通大學;2018年

7 劉宇琦;視頻人臉及人體行為識別關(guān)鍵技術(shù)研究[D];吉林大學;2018年

8 齊鏜泉;基于深度學習的行為識別與旅游場景分類關(guān)鍵技術(shù)研究[D];華南理工大學;2017年

9 牛曉鵬;普適計算環(huán)境下人體行為識別及情景感知研究[D];北京科技大學;2018年

10 陳華鋒;視頻人體行為識別關(guān)鍵技術(shù)研究[D];武漢大學;2017年

相關(guān)碩士學位論文 前10條

1 宿通通;面向智能手機的人體行為識別算法研究[D];天津師范大學;2019年

2 葉丹;不同行為下的心率狀態(tài)辨識[D];桂林電子科技大學;2019年

3 汪銘杰;面向WiFi人體行為識別領(lǐng)域的跳變現(xiàn)象糾正技術(shù)研究[D];桂林電子科技大學;2019年

4 張永;基于RGB-D與深度學習的人體行為識別算法研究[D];青島科技大學;2019年

5 鄧雄文;基于海量文本的企業(yè)行為識別及行為關(guān)系發(fā)現(xiàn)[D];電子科技大學;2019年

6 楊斌;基于深度學習的視頻行為識別方法研究[D];桂林電子科技大學;2019年

7 王雨廷;“個體-群組”關(guān)聯(lián)描述的層次LSTM行為識別[D];合肥工業(yè)大學;2019年

8 鄔亞男;深度網(wǎng)絡(luò)下的復雜行為時空語境分析研究[D];合肥工業(yè)大學;2019年

9 劉天山;魯棒跟蹤下RGB-D多模態(tài)人體行為識別研究[D];江南大學;2019年

10 燕飛鵬;基于網(wǎng)絡(luò)流量的微信用戶行為識別技術(shù)[D];杭州電子科技大學;2019年

本文編號：2727995