本文選題：視頻行為識(shí)別 + 深度學(xué)習(xí)��； 參考：《河北師范大學(xué)》2017年碩士論文

【摘要】：視頻行為識(shí)別是計(jì)算機(jī)視覺領(lǐng)域里最具挑戰(zhàn)性的問題之一。視頻行為識(shí)別的任務(wù)就是利用計(jì)算機(jī)自動(dòng)地分析視頻數(shù)據(jù),從而識(shí)別行為類別。視頻行為識(shí)別在很多領(lǐng)域有重要的應(yīng)用價(jià)值,如智能視頻監(jiān)控、視頻檢索、人-機(jī)交互等。本文研究基于卷積神經(jīng)網(wǎng)絡(luò)的視頻行為識(shí)別,主要工作及貢獻(xiàn)如下:(1)基于分段雙流卷積神經(jīng)網(wǎng)絡(luò)的行為識(shí)別以GoogLe Net模型替換雙流卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的AlexNet模型,引入GoogLeNet的網(wǎng)絡(luò)模型的BN-Inception層,加深網(wǎng)絡(luò)層數(shù),增加樣本的特征表達(dá);同時(shí),在卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中,將低、中、高等不同級(jí)別特征進(jìn)行多級(jí)別、不同程度變換,實(shí)現(xiàn)關(guān)于行為樣本的低級(jí)、局部部件等不同程度特征的信息互補(bǔ)。針對卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí),以預(yù)訓(xùn)練網(wǎng)絡(luò)模型來初始化模型參數(shù),并基于誤差反向傳播算法進(jìn)行模型參數(shù)的微調(diào),以獲取較好的模型泛化能力。將視頻在時(shí)間軸上分段,分別基于時(shí)間流、空間流信息,構(gòu)建分段卷積神經(jīng)網(wǎng)絡(luò),以實(shí)現(xiàn)關(guān)于視頻行為局部時(shí)序結(jié)構(gòu)的有效表達(dá)�；谝曨l數(shù)據(jù)集UCF101與HMDB51的實(shí)驗(yàn)驗(yàn)證了算法的有效性。(2)基于集成學(xué)習(xí)的行為識(shí)別借助集成學(xué)習(xí)思想,改善行為識(shí)別性能。在上述個(gè)體卷積神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)的基礎(chǔ)上,從決策級(jí)集成的角度研究了幾種基于個(gè)體識(shí)別模型投票機(jī)制的集成學(xué)習(xí)方式,借助集成模型實(shí)現(xiàn)視頻行為識(shí)別性能的進(jìn)一步改善�；跀�(shù)據(jù)集UCF101與HMDB51對集成模型的有效性進(jìn)行了驗(yàn)證。此外,還探討了基于特征級(jí)集成方式的行為識(shí)別模型。
[Abstract]:Video behavior recognition is one of the most challenging problems in the field of computer vision. The task of video behavior recognition is to analyze the video data automatically by computer, so as to recognize the category of behavior. Video behavior recognition has important application value in many fields, such as intelligent video surveillance, video retrieval, human-computer interaction and so on. In this paper, the video behavior recognition based on convolution neural network is studied. The main work and contribution are as follows: 1) the behavior recognition based on two-stream convolution neural network is based on two-stream convolution neural network. The AlexNet model of two-stream convolution neural network structure is replaced by GoogLe Net model. The BN-Inception layer of GoogLeNet network model is introduced to deepen the number of network layers and increase the feature expression of samples. At the same time, in the learning process of convolutional neural networks, the features of low, middle and high levels are changed in different levels and to different degrees. The information about the low-level and local components of behavior samples is complementary to each other. For the learning of convolutional neural network, the model parameters are initialized by pre-training network model, and the model parameters are fine-tuned based on error back-propagation algorithm to obtain better generalization ability. The video is segmented on the time axis, and based on the information of time flow and space flow, the segmented convolution neural network is constructed to express the local temporal structure of video behavior effectively. Experiments based on video dataset UCF101 and HMDB51 verify the effectiveness of the algorithm. (2) behavior recognition based on integrated learning improves the performance of behavior recognition with the help of the idea of integrated learning. Based on the above individual convolution neural network model learning, several ensemble learning methods based on the voting mechanism of individual recognition model are studied from the angle of decision level integration, and the performance of video behavior recognition is further improved with the help of the ensemble model. The validity of the integration model is verified based on the data set UCF101 and HMDB51. In addition, the behavior recognition model based on feature level integration is discussed.
【學(xué)位授予單位】：河北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉相濱,向堅(jiān)持,王勝春;人行為識(shí)別與理解研究探討[J];計(jì)算機(jī)與現(xiàn)代化;2004年12期

2 李寧;須德;傅曉英;袁玲;;結(jié)合人體運(yùn)動(dòng)特征的行為識(shí)別[J];北京交通大學(xué)學(xué)報(bào);2009年02期

3 張偉東;陳峰;徐文立;杜友田;;基于階層多觀測模型的多人行為識(shí)別[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年07期

4 吳聯(lián)世;夏利民;羅大庸;;人的交互行為識(shí)別與理解研究綜述[J];計(jì)算機(jī)應(yīng)用與軟件;2011年11期

5 申曉霞;張樺;高贊;薛彥兵;徐光平;;一種魯棒的基于深度數(shù)據(jù)的行為識(shí)別算法[J];光電子.激光;2013年08期

6 鄭胤;陳權(quán)崎;章毓晉;;深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J];中國圖象圖形學(xué)報(bào);2014年02期

7 曾青松;余明輝;賀衛(wèi)國;李玲;;一種行為識(shí)別的新方法[J];昆明理工大學(xué)學(xué)報(bào)(理工版);2009年06期

8 谷軍霞;丁曉青;王生進(jìn);;基于人體行為3D模型的2D行為識(shí)別[J];自動(dòng)化學(xué)報(bào);2010年01期

9 李英杰;尹怡欣;鄧飛;;一種有效的行為識(shí)別視頻特征[J];計(jì)算機(jī)應(yīng)用;2011年02期

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

相關(guān)會(huì)議論文 前7條

1 苗強(qiáng);周興社;於志文;倪紅波;;一種非覺察式的睡眠行為識(shí)別技術(shù)研究[A];第18屆全國多媒體學(xué)術(shù)會(huì)議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2009）、第5屆全國普適計(jì)算學(xué)術(shù)會(huì)議（PCC2009）論文集[C];2009年

2 齊娟;陳益強(qiáng);劉軍發(fā);;基于多模信息感知與融合的行為識(shí)別[A];第18屆全國多媒體學(xué)術(shù)會(huì)議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2009）、第5屆全國普適計(jì)算學(xué)術(shù)會(huì)議（PCC2009）論文集[C];2009年

3 方帥;曹洋;王浩;;視頻監(jiān)控中的行為識(shí)別[A];2007中國控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

4 黃紫藤;吳玲達(dá);;監(jiān)控視頻中簡單人物行為識(shí)別研究[A];第18屆全國多媒體學(xué)術(shù)會(huì)議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2009）、第5屆全國普適計(jì)算學(xué)術(shù)會(huì)議（PCC2009）論文集[C];2009年

5 安國成;羅志強(qiáng);李洪研;;改進(jìn)運(yùn)動(dòng)歷史圖的異常行為識(shí)別算法[A];第八屆中國智能交通年會(huì)優(yōu)秀論文集——智能交通與安全[C];2013年

6 王忠民;曹棟;;坐標(biāo)轉(zhuǎn)換在移動(dòng)用戶行為識(shí)別中的應(yīng)用研究[A];2013年全國通信軟件學(xué)術(shù)會(huì)議論文集[C];2013年

7 劉威;李石堅(jiān);潘綱;;uRecorder:基于位置的社會(huì)行為自動(dòng)日志[A];第18屆全國多媒體學(xué)術(shù)會(huì)議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2009）、第5屆全國普適計(jì)算學(xué)術(shù)會(huì)議（PCC2009）論文集[C];2009年

相關(guān)重要報(bào)紙文章 前4條

1 李晨光;導(dǎo)入CIS要注意什么？[N];河北經(jīng)濟(jì)日報(bào);2001年

2 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(bào);2007年

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

4 田凱　徐蕊 李政育 信木祥;博物館安全的國際經(jīng)驗(yàn)[N];中國文物報(bào);2014年

相關(guān)博士學(xué)位論文 前10條

1 邵延華;基于計(jì)算機(jī)視覺的人體行為識(shí)別研究[D];重慶大學(xué);2015年

2 仝鈺;基于條件隨機(jī)場的智能家居行為識(shí)別研究[D];大連海事大學(xué);2015年

3 馮銀付;多模態(tài)人體行為識(shí)別技術(shù)研究[D];浙江大學(xué);2015年

4 姜新波;基于三維骨架序列的人體行為識(shí)別研究[D];山東大學(xué);2015年

5 裴利沈;視頻中人體行為識(shí)別若干問題研究[D];電子科技大學(xué);2016年

6 周同馳;行為識(shí)別中基于局部時(shí)空關(guān)系的特征模型研究[D];東南大學(xué);2016年

7 徐海燕;復(fù)雜環(huán)境下行為識(shí)別特征提取方法研究[D];東南大學(xué);2016年

8 吳云鵬;集體行為的識(shí)別與仿真研究[D];鄭州大學(xué);2017年

9 劉艷秋;舍飼環(huán)境下母羊產(chǎn)前典型行為識(shí)別方法研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2017年

10 何衛(wèi)華;人體行為識(shí)別關(guān)鍵技術(shù)研究[D];重慶大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 唐小琴;基于全局和局部運(yùn)動(dòng)模式的人體行為識(shí)別研究[D];西南大學(xué);2015年

2 胡秋揚(yáng);可穿戴式個(gè)人室內(nèi)位置和行為監(jiān)測系統(tǒng)[D];浙江大學(xué);2015年

3 陳鈺昕;基于時(shí)空特性的人體行為識(shí)別研究[D];燕山大學(xué);2015年

4 任亮;智能車環(huán)境下車輛典型行為識(shí)別方法研究[D];長安大學(xué);2015年

5 金澤豪;并行化的人體行為識(shí)別方法研究與實(shí)現(xiàn)[D];華南理工大學(xué);2015年

6 王呈;穿戴式多傳感器人體日�；顒�(dòng)監(jiān)測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];南京理工大學(xué);2015年

7 王露;基于稀疏時(shí)空特征的人體行為識(shí)別研究[D];蘇州大學(xué);2015年

8 于靜;基于物品信息和人體深度信息的行為識(shí)別研究[D];山東大學(xué);2015年

9 章瑜;人體運(yùn)動(dòng)行為識(shí)別相關(guān)方法研究[D];南京師范大學(xué);2015年

10 趙揚(yáng);家庭智能空間下基于行走軌跡的人體行為理解[D];山東大學(xué);2015年

，

本文編號(hào)：1781691