為保護(hù)人類安全,監(jiān)控已經(jīng)遍布大街小巷,通常我們的監(jiān)控只能做到把畫面記錄下來(lái),需要人力監(jiān)測(cè)異常行為的發(fā)生,這種方式不僅效率低而且成本高,一直以來(lái)研究者們都希望計(jì)算機(jī)能自動(dòng)監(jiān)測(cè)異常行為,因此基于視頻的異常人體行為識(shí)別一直以來(lái)都是計(jì)算機(jī)視覺方面的一個(gè)重要且富有挑戰(zhàn)的研究方向。以往針對(duì)視頻的研究中,已經(jīng)研究了如射擊、揮刀、劈砍等行為的識(shí)別,但由于打斗行為具有隨機(jī)性和不可預(yù)測(cè)性,因此對(duì)打斗行為的識(shí)別研究方面并沒有很好的結(jié)果,此外,隨著深度學(xué)習(xí)的發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)成為一種最先進(jìn)的圖像分類模型,因此本文在此基礎(chǔ)上進(jìn)行視頻數(shù)據(jù)中的打斗行為識(shí)別,并取得了良好的結(jié)果。本文主要工作如下:(1)針對(duì)要用深度學(xué)習(xí)的方法來(lái)進(jìn)行打斗行為識(shí)別這一問(wèn)題,本文提出了一種基于雙流卷積神經(jīng)網(wǎng)絡(luò)的打斗行為識(shí)別方法,主要是因?yàn)殡p流卷積神經(jīng)網(wǎng)絡(luò)模型在視頻行為識(shí)別方面具有很好的表現(xiàn),而且雙流卷積神經(jīng)網(wǎng)絡(luò)充分利用了視頻的時(shí)間分量和空間分量,為識(shí)別打斗行為提供了更多的運(yùn)動(dòng)信息。(2)本文針對(duì)原雙流卷積模型參數(shù)量大、運(yùn)行效率低的問(wèn)題,提出了改進(jìn)的雙流卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)進(jìn)行監(jiān)控視頻中打斗行為的識(shí)別,改進(jìn)思路一方面是減少卷積層數(shù),另一方面是將...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
    1.4 本文章節(jié)安排
2 卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)架構(gòu)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程
        2.2.1 前向傳播過(guò)程
        2.2.2 反向傳播過(guò)程
    2.3 深度學(xué)習(xí)工具
        2.3.1 Caffe
        2.3.2 TensorFlow
    2.4 本章小結(jié)
3 基于玻爾茲曼熵的異常幀分類
    3.1 數(shù)據(jù)集介紹
        3.1.1 CASIA數(shù)據(jù)集
        3.1.2 CAVIAR數(shù)據(jù)集
        3.1.3 網(wǎng)絡(luò)數(shù)據(jù)
    3.2 人體行為特征提取
        3.2.1 光流法介紹
        3.2.2 全局光流特征提取
    3.3 異常幀分類
        3.3.1 粒子運(yùn)動(dòng)狀態(tài)分布直方圖
        3.3.2 玻爾茲曼熵的計(jì)算
        3.3.3 異常幀篩選過(guò)程
        3.3.4 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
4 基于改進(jìn)的雙流卷積神經(jīng)網(wǎng)絡(luò)的打斗行為識(shí)別
    4.1 雙流卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 基本網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.2 時(shí)間流網(wǎng)絡(luò)
        4.1.3 空間流網(wǎng)絡(luò)
    4.2 改進(jìn)的雙流卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)
        4.2.1 網(wǎng)絡(luò)參數(shù)設(shè)置及實(shí)驗(yàn)結(jié)果分析
        4.2.2 堆疊光流實(shí)驗(yàn)結(jié)果分析
    4.3 基于HOG+SVM的打斗行為識(shí)別
    4.4 擴(kuò)展雙流CNN模型的打斗行為識(shí)別
        4.4.1 基于雙流VGG-16模型的打斗行為識(shí)別
        4.4.2 基于雙流GoogLeNet模型的打斗行為識(shí)別
        4.4.3 基于雙流ResNet模型的打斗行為識(shí)別
    4.5 綜合對(duì)比與分析
        4.5.1 不同網(wǎng)絡(luò)對(duì)打斗識(shí)別效果對(duì)比
        4.5.2 打斗識(shí)別方法的性能比較
    4.6 本章小結(jié)
5 總結(jié)和展望
    5.1 本文總結(jié)
    5.2 研究展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3841344