發(fā)布時(shí)間：2021-06-16 22:04

　　近年來(lái),視頻辨識(shí)是計(jì)算機(jī)視覺(jué)領(lǐng)域研究的難點(diǎn)和熱點(diǎn)。目前大部分研究人員主要針對(duì)靜態(tài)圖片中的人體行為展開(kāi)研究,采用靜態(tài)圖片的方法忽略了行為存在的連續(xù)性特點(diǎn),且樣本之間缺少時(shí)間上的關(guān)聯(lián)。本文考慮到行為的時(shí)序性,以視頻流為數(shù)據(jù)源分析人體的運(yùn)動(dòng)特征,以一定場(chǎng)景下的走、站立、坐下和摔倒四種人體行為的研究為出發(fā)點(diǎn),實(shí)現(xiàn)視頻流或圖像序列中不同行為的分類(lèi)與識(shí)別。本文的主要研究工作如下:（1）對(duì)比分析了國(guó)內(nèi)外基于監(jiān)控視頻流的人體行為識(shí)別方法,對(duì)涉及的行為識(shí)別技術(shù)進(jìn)行了研究,并分析了各類(lèi)算法的利弊與應(yīng)用缺陷,在此基礎(chǔ)上設(shè)計(jì)了本文的研究方法并提出了解決問(wèn)題的新思路。（2）以修剪過(guò)的具有單標(biāo)簽類(lèi)別的視頻流作為數(shù)據(jù)源,應(yīng)用改進(jìn)的密集軌跡算法提取人體行為的軌跡特征、HOG特征、HOF特征、MBH特征,實(shí)現(xiàn)對(duì)多種特征的Fisher Vector編碼處理,并進(jìn)行L2范數(shù)歸一化處理。結(jié)合三維卷積動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)提取的時(shí)序特征,對(duì)多種特征賦予一定權(quán)值系數(shù)和核函數(shù)進(jìn)行特征融合,優(yōu)化后的特征融合算法較單一特征更具有針對(duì)性,行為特征更強(qiáng)。采用有監(jiān)督學(xué)習(xí)的方法在整理的行為數(shù)據(jù)樣本中訓(xùn)練人體行為識(shí)別模型,在公共數(shù)據(jù)集HDMB51和自己數(shù)... 

【文章來(lái)源】：青島大學(xué)山東省

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題背景及意義
        1.1.1 背景介紹
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 目標(biāo)檢測(cè)研究現(xiàn)狀
        1.2.2 目標(biāo)跟蹤研究現(xiàn)狀
        1.2.3 行為判識(shí)研究現(xiàn)狀
        1.2.4 技術(shù)現(xiàn)狀難點(diǎn)分析
    1.3 主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 卷積神經(jīng)網(wǎng)絡(luò)
    2.1 基本理論知識(shí)
        2.1.1 Padding
        2.1.2 卷積步長(zhǎng)
        2.1.3 三維卷積
        2.1.4 池化層
        2.1.5 全連接層
        2.1.6 激活函數(shù)
        2.1.7 前向傳播和后向傳播
    2.2 典型神經(jīng)網(wǎng)絡(luò)模型
    2.3 Caffe框架
        2.3.1 網(wǎng)絡(luò)模型
        2.3.2 參數(shù)配置
    2.4 本章小結(jié)
第三章 行為檢測(cè)方法
    3.1 目標(biāo)檢測(cè)定義
    3.2 滑窗法
    3.3 選擇性搜索方法
    3.4 對(duì)比分析
    3.5 本章小結(jié)
第四章 人體行為特征
    4.1 圖像預(yù)處理
    4.2 局部特征提取
        4.2.1 surf特征匹配
        4.2.2 密集采樣特征點(diǎn)
        4.2.3 軌跡與軌跡描述子
        4.2.4 運(yùn)動(dòng)描述子
        4.2.5 特征歸一化
        4.2.6 特征編碼原理
    4.3 卷積特征
    4.4 多特征融合算法
    4.5 本章小結(jié)
第五章 人體行為識(shí)別與驗(yàn)證
    5.1 公共數(shù)據(jù)庫(kù)介紹
    5.2 樣本數(shù)據(jù)集
    5.3 分類(lèi)器
        5.3.1 Softmax分類(lèi)器
        5.3.2 SVM分類(lèi)器
    5.4 行為模型訓(xùn)練和微調(diào)
    5.5 試驗(yàn)結(jié)果對(duì)比與分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 未來(lái)展望
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的目標(biāo)跟蹤方法研究現(xiàn)狀與展望[J]. 羅海波,許凌云,惠斌,常錚.  紅外與激光工程. 2017(05)
[2]3D CNNs與LSTMs在行為識(shí)別中的組合及其應(yīng)用[J]. 秦陽(yáng),莫凌飛,郭文科,李釩.  測(cè)控技術(shù). 2017(02)
[3]基于主題隱馬爾科夫模型的人體異常行為識(shí)別[J]. 朱旭東,劉志鏡.  計(jì)算機(jī)科學(xué). 2012(03)
[4]基于Harris與Sift算法的圖像匹配方法[J]. 邱建國(guó),張建國(guó),李凱.  測(cè)試技術(shù)學(xué)報(bào). 2009(03)



本文編號(hào)：3233872