人體行為識別任務(wù)在智能家居、智慧城市以及安全保障等眾多領(lǐng)域有著廣泛的應(yīng)用前景和巨大的經(jīng)濟價值。隨著人工智能技術(shù)的飛速發(fā)展,人體行為識別技術(shù)也取得了突破性進展。人體行為識別技術(shù)涵蓋了圖像處理、機器學(xué)習(xí)、計算機視覺和人機交互等眾多學(xué)科的知識,研究難度較大。傳統(tǒng)的人體行為識別方法依靠人工提取動作特征,工作量很大也很難保證時效性。如何降低算法復(fù)雜度,實現(xiàn)高效的人體行為識別成為一個重要的研究課題。針對傳統(tǒng)行為識別方法中在不同的場景下需要人工提取不同特征的問題,本文設(shè)計了基于深度學(xué)習(xí)的人體行為識別方法。利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeural Network,RNN)構(gòu)造雙流時空網(wǎng)絡(luò),實現(xiàn)對輸入數(shù)據(jù)的自主學(xué)習(xí),簡化人工提取特征的復(fù)雜度,提升行為識別的準確率。本文的主要工作如下:(1)分析整理了傳統(tǒng)人體行為識別方法和基于深度學(xué)習(xí)的人體行為識別方法,發(fā)現(xiàn)深度學(xué)習(xí)方法的優(yōu)越性。傳統(tǒng)的人體行為識別依賴于人工提取特征,算法非常復(fù)雜。實際場景中人體遮擋、背景復(fù)雜等問題都增加了人工提取特征的難度。而深度學(xué)習(xí)的方法模擬人類大...

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２?ＤＴ算法結(jié)構(gòu)［２］??Ｆｉｇｕｒｅ?２－２?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?Ｄｅｎｓｅ?Ｔｒａｊｅｃｔｏｒｉｅｓ?（ＤＴ）?ａｌｇｏｒｉｔｈｍ＾??

Ｆｉｇｕｒｅ?２－１?Ｈａａｒ－ｌｉｋｅ?ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ??密集軌跡［２］?（Ｄｅｎｓｅ?Ｔｒａｊｅｃｔｏｒｉｅｓ，ＤＴ）算法和改進的密集軌跡（Ｉｍｐｒｏｖｅｄ?Ｄｅｎｓｅ??Ｔｒａｊｅｃｔｏｒｉｅｓ，ｉＤＴ）算法。圖２－２闡釋了提取和描述密集軌跡的方法。ＤＴ算法....

圖２￣４改進的Ｉｎｃｅｐｔｉｏｎ結(jié)構(gòu)??Ｆｉｇｕｒｅ?２－４?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｉｍｐｒｏｖｅｄ?Ｉｎｃｅｐｔｉｏｎ??

但是卷積核基于上一層的所有輸出進行操作，會導(dǎo)致５ｘ５的卷積核的計算量??過大，進而導(dǎo)致特征圖厚度過大。為了解決這個問題，就出現(xiàn)了改進的Ｉｎｃｅｐｔｉｏｎ結(jié)??構(gòu)，如圖２－４所不。在３＞＜３、５＞＜５的卷積核前和３＞＜３的ｍａｘｐｏｏｌｉｎｇ后分別添加１ｘ１??的卷積核，以此降低特....

圖２－６?ＩｎｄＲＮＮ結(jié)構(gòu)??Ｆｉｇｕｒｅ?２－６?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＩｎｄＲＮＮ??

在每一個通道中分別進行卷積和池化操作。??Ｔｒａｎ等人［１４］在３Ｄ?ＣＮＮ模型的基礎(chǔ)上設(shè)計了?Ｃ３Ｄ網(wǎng)絡(luò)。Ｃ３Ｄ可以基于視頻提??取特征。２Ｄ與３Ｄ卷積的對比，如圖２－７所示。（ａ）和（ｂ）分別顯示２Ｄ卷積用于單??通道圖像和多通道圖像的情況（多通道圖像可以指同一張圖片的３個顏....

圖２－７?２Ｄ卷積和３Ｄ卷積的對比??Ｆｉｇｕｒｅ?２－７?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?２Ｄ?ｃｏｎｖｏｌｕｔｉｏｎ?ａｎｄ?３Ｄ?ｃｏｎｖｏｌｕｔｉｏｎ??

２．３．２?ＣＮＮ與ＲＮＮ結(jié)合的方法??Ｊ．Ｄｏｎａｈｕｅ等人［１７］提出長期循環(huán)卷積神經(jīng)網(wǎng)絡(luò)（Ｌｏｎｇ－ｔｅｒｍ?Ｒｅｃｕｒｒｅｎｔ??Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｔｗｏｒｋ，?ＬＲＣＮ），如圖２－８所示。ＬＲＣＮ的結(jié)構(gòu)包含兩部分：卷積神??經(jīng)網(wǎng)絡(luò)ＣＮＮ和長短期記憶網(wǎng)絡(luò)ＬＳ....

本文編號：4038184