通過對監(jiān)控視頻建模以達到自動判定視頻中人類行為的研究一直是視頻建模領域研究的重點。近些年來,隨著科學技術的快速發(fā)展,機器在某些應用場景下正逐步取代人工操作。利用機器不知疲倦和高計算精度的特點,大大減少了對人力的需求,同時提高了執(zhí)行效率,促進了經(jīng)濟的發(fā)展。然而在自動化技術發(fā)展的背后,也因為缺乏有效的人力監(jiān)督,導致了某些自動化的便捷場所成為了犯罪的溫床。本課題重點研究使用深度學習技術對監(jiān)控視頻建模的算法。傳統(tǒng)的非深度學習視頻建模算法（統(tǒng)稱為傳統(tǒng)算法）采用人工提取和組合多種特征描述子的方法對視頻進行建模,進而依據(jù)特征描述子判斷視頻中的人物行為。這種方式需要耗費大量的時間去做特征提取,且提取的特征泛用性不高,只能用來識別某些特定的動作。一旦相同的動作產(chǎn)生了較大幅度的改變,傳統(tǒng)算法的識別效果便會大大降低。深度學習算法使用深度神經(jīng)網(wǎng)絡模型對視頻進行建模,在大樣本量的支撐下,網(wǎng)絡可以從視頻中自動學習對動作判定有益的特征,從而大大加快識別效率和精度。本課題在調(diào)研了國內(nèi)外行為識別領域相關文獻的基礎上,針對金融安全場景下監(jiān)控視頻的特有屬性,提出了一種新型的半3D網(wǎng)絡結構,加強了模型對視頻中運動信息的編碼能... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

圖２－１生物神經(jīng)元結構與Ｍ－Ｐ神經(jīng)元模型１２９１??

?Ｌａｙｅｒ?ｌ２??圖２－２多層感知機模型［２９］??圖２－２展示了具有兩個隱含層的多層感知機結構�？梢钥吹綄优c層之間的節(jié)??點是全連接的，即當前層的每個節(jié)點的計算都與上一層的所有節(jié)點有關。隱層得??到輸入后，利用自己的權重參數(shù)計算得到輸出，然后經(jīng)過非線性函數(shù)激活后傳到??下一層。網(wǎng)絡隱層的權重數(shù)值是神經(jīng)網(wǎng)絡學習的參數(shù)，即在網(wǎng)絡結構確定的情況??下，給定一系列的輸入值和輸出值學習輸入和輸??出之間的映射關系。??如今由于硬件計算能力的發(fā)展，神經(jīng)網(wǎng)絡開始變得越來越深，表征能力也越??來越強，如下圖就是一個５層深的神經(jīng)網(wǎng)絡。??ｈｉｄｄｅｎ?ｌａｙｅｒ?１?Ｗｄｄｅｎ?ｌａｙｅｒ?２?ｈｉｄｄｅｎ?ｉ＾ｙｃｒ?３??Ｉｎｐｕｔ?ｌ＾ｙｅｒ??圖２－３包含多節(jié)點的大型神經(jīng)網(wǎng)絡【２９ｉ??８??

Ｌａｙｅｒ?Ｌ－．?Ｌａｙｅｒ?ｌ２??圖２－２多層感知機模型［２９］??２－２展示了具有兩個隱含層的多層感知機結構�？梢钥吹綄优c層之接的，即當前層的每個節(jié)點的計算都與上一層的所有節(jié)點有關。，利用自己的權重參數(shù)計算得到輸出，然后經(jīng)過非線性函數(shù)激活。網(wǎng)絡隱層的權重數(shù)值是神經(jīng)網(wǎng)絡學習的參數(shù)，即在網(wǎng)絡結構確定一系列的輸入值和輸出值學習輸?shù)挠成潢P系。??由于硬件計算能力的發(fā)展，神經(jīng)網(wǎng)絡開始變得越來越深，表征能，如下圖就是一個５層深的神經(jīng)網(wǎng)絡。??ｈｉｄｄｅｎ?ｌａｙｅｒ?１?Ｗｄｄｅｎ?ｌａｙｅｒ?２?ｈｉｄｄｅｎ?ｉ＾ｙｃｒ?３??Ｉｎｕｔ?ｌ＾ｅｒ??

【參考文獻】：
碩士論文
[1]采用深度網(wǎng)絡的飛機表面圖像損傷檢測與識別[D]. 劉恒鑫.北京郵電大學 2018



本文編號：3441437