隨著計算機視覺與深度學習理論的不斷發(fā)展,基于深度學習的行為識別技術(shù)漸漸成為計算機視覺領(lǐng)域的重要研究方向之一,廣泛地應用于諸如智能監(jiān)控、人機交互等多個領(lǐng)域。其中,相比傳統(tǒng)特征提取方法,卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）作為一種典型的深度學習模型在圖像分類任務中取得了突破性進展,然而應用于視頻中的行為識別模型仍然存在準確率較低、計算成本和模型存儲較大等問題。因此,在深度學習的基礎上,有效地識別視頻中的行為具有廣泛的研究價值與重要的研究意義。論文首先介紹了行人異常行為識別技術(shù)的研究背景及意義,分析了該技術(shù)國內(nèi)外的研究現(xiàn)狀,然后闡述了卷積神經(jīng)網(wǎng)絡理論基礎以及基于深度學習的主流行為識別方法,對于該任務目前存在的問題和難點進行了分析,并依據(jù)行人異常行為識別中存在的問題,本文展開了以下兩方面的工作和創(chuàng)新:（1）提出了基于深度可分離卷積的三維多纖維網(wǎng)絡模型針對三維卷積神經(jīng)網(wǎng)絡（3D CNN）模型計算量較大的問題,本文在目前行為識別任務中表現(xiàn)優(yōu)異的三維多纖維網(wǎng)絡（3D Multi-fiber Network,3D MF-Net）中引入二維卷積神經(jīng)網(wǎng)絡（2D ... 

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究的背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于人工特征的行為識別方法
        1.2.2 基于深度學習特征的行為識別方法
    1.3 研究內(nèi)容及章節(jié)安排
        1.3.1 研究內(nèi)容
        1.3.2 章節(jié)安排
第2章 行為識別相關(guān)模型概述
    2.1 人工神經(jīng)網(wǎng)絡
        2.1.1 人工神經(jīng)網(wǎng)絡模型
        2.1.2 反向傳播算法
    2.2 卷積神經(jīng)網(wǎng)絡
        2.2.1 卷積神經(jīng)網(wǎng)絡
        2.2.2 卷積神經(jīng)網(wǎng)絡典型結(jié)構(gòu)
    2.3 基于深度學習的行為識別
        2.3.1 基于雙流網(wǎng)絡的識別方法
        2.3.2 基于卷積循環(huán)神經(jīng)網(wǎng)絡的識別方法
        2.3.3 基于三維卷積的識別方法
    2.4 行為識別數(shù)據(jù)集
    2.5 本章小結(jié)
第3章 基于深度可分離卷積的三維多纖維網(wǎng)絡模型
    3.1 多纖維網(wǎng)絡
    3.2 卷積神經(jīng)網(wǎng)絡的一般優(yōu)化方法
        3.2.1 深度可分離卷積
        3.2.2 空洞卷積
        3.2.3 模型收縮超參數(shù)
    3.3 基于深度可分離卷積的三維多纖維網(wǎng)絡模型
        3.3.1 基于深度可分離卷積的多纖維模塊
        3.3.2 算法思路
    3.4 實驗結(jié)果與分析
        3.4.1 實驗數(shù)據(jù)集
        3.4.2 算法的實現(xiàn)過程
        3.4.3 實驗結(jié)果與分析
    3.5 本章小結(jié)
第4章 基于注意力機制的三維自適應卷積神經(jīng)網(wǎng)絡模型
    4.1 卷積核動態(tài)選擇網(wǎng)絡(SKNet)
    4.2 基于注意力機制的三維自適應卷積神經(jīng)網(wǎng)絡模型
        4.2.1 三維自適應卷積層
        4.2.2 多尺度特征融合池化層
        4.2.3 基于注意力機制的三維自適應卷積神經(jīng)網(wǎng)絡
    4.3 實驗結(jié)果與分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]基于多尺度池化卷積神經(jīng)網(wǎng)絡的疲勞檢測方法研究[J]. 顧王歡,朱煜,陳旭東,鄭兵兵,何林飛.  計算機應用研究. 2019(11)
[2]一種基于深度學習的異常行為識別方法[J]. 楊銳,羅兵,郝葉林,常津津.  五邑大學學報(自然科學版). 2018(02)
[3]智能視頻監(jiān)控系統(tǒng)中運動目標檢測方法綜述[J]. 王春蘭.  自動化與儀器儀表. 2017(03)

碩士論文
[1]基于深度學習的異常行為識別算法研究[D]. 陸晴.哈爾濱工業(yè)大學 2018
[2]基于深度學習的視頻行為識別技術(shù)研究[D]. 余興.電子科技大學 2018
[3]基于深度學習的人類行為分析技術(shù)的研究與實現(xiàn)[D]. 儲彬彬.東南大學 2017
[4]基于HOG的行人跟蹤與識別技術(shù)的研究與實現(xiàn)[D]. 謝鵬鵬.國防科學技術(shù)大學 2014



本文編號：3654819