隨著視頻信息量的激增與機(jī)器視覺的快速發(fā)展,人們對(duì)視頻處理領(lǐng)域的技術(shù)要求越來越高。視頻行為識(shí)別作為視頻理解方向的一個(gè)分支,具有十分重要的研究意義。該文對(duì)視頻行為識(shí)別算法做了詳細(xì)研究,旨在于通過對(duì)視頻時(shí)空信息的分析,形成更加有效的視頻特征,得到更有判別力的視頻行為識(shí)別系統(tǒng)。首先,設(shè)計(jì)了基于時(shí)空卷積網(wǎng)絡(luò)的視頻行為識(shí)別算法,將視頻行為識(shí)別處理為單獨(dú)對(duì)視頻空間與時(shí)間信息的獲取。在雙流卷積網(wǎng)絡(luò)的基礎(chǔ)上,比較分析了光流圖像和顯著性圖像作為網(wǎng)絡(luò)輸入時(shí),對(duì)行為識(shí)別效果的影響。同時(shí),通過視頻時(shí)空信息的分析,并借助三維卷積,構(gòu)建了一個(gè)具有雙分支結(jié)構(gòu)的時(shí)空卷積網(wǎng)絡(luò),該網(wǎng)絡(luò)能夠以獨(dú)立且明確的方式獲取視頻的時(shí)間與空間信息,提高了行為識(shí)別效果。其次,研究了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的特征融合與視頻分段的視頻行為識(shí)別算法,將視頻行為識(shí)別工作按時(shí)序信息處理。在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,首先實(shí)現(xiàn)了與卷積神經(jīng)網(wǎng)絡(luò)聯(lián)合的行為識(shí)別算法,并對(duì)網(wǎng)絡(luò)類型和采樣長(zhǎng)度的選取進(jìn)行比較分析;再者,分別根據(jù)相鄰特征平均化和三維卷積網(wǎng)絡(luò),提出了基于特征融合的識(shí)別算法;之后,提出了基于視頻分段的視頻行為識(shí)別算法,并比較分析了融合函數(shù)和視頻段數(shù)對(duì)行為識(shí)別效果的影... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于人工設(shè)計(jì)的特征
        1.2.2 基于網(wǎng)絡(luò)訓(xùn)練的特征
    1.3 本文研究?jī)?nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 深度學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
    2.1 深度學(xué)習(xí)概述
    2.2 人工神經(jīng)網(wǎng)絡(luò)
        2.2.1 單個(gè)神經(jīng)元
        2.2.2 前饋神經(jīng)網(wǎng)絡(luò)
        2.2.3 反向傳播
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積
        2.3.2 池化
        2.3.3 激活函數(shù)
    2.4 深度學(xué)習(xí)工具
    2.5 本章小結(jié)
第3章 基于時(shí)空卷積網(wǎng)絡(luò)的視頻行為識(shí)別算法
    3.1 引言
    3.2 雙流卷積網(wǎng)絡(luò)
        3.2.1 雙流卷積網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 光流
        3.2.3 時(shí)間流卷積網(wǎng)絡(luò)
    3.3 時(shí)空卷積網(wǎng)絡(luò)
        3.3.1 三維卷積
        3.3.2 時(shí)空卷積模塊
        3.3.3 時(shí)空卷積網(wǎng)絡(luò)構(gòu)建
    3.4 實(shí)驗(yàn)仿真與分析
        3.4.1 數(shù)據(jù)集
        3.4.2 雙流卷積網(wǎng)絡(luò)的實(shí)驗(yàn)設(shè)置
        3.4.3 雙流卷積網(wǎng)絡(luò)的識(shí)別性能分析
        3.4.4 時(shí)空卷積網(wǎng)絡(luò)的實(shí)驗(yàn)設(shè)置
        3.4.5 時(shí)空卷積網(wǎng)絡(luò)的識(shí)別性能分析
    3.5 本章小結(jié)
第4章 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的視頻行為識(shí)別算法
    4.1 引言
    4.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的視頻行為識(shí)別
        4.2.1 RNN及 LSTM
        4.2.2 基于LSTM網(wǎng)絡(luò)的視頻行為識(shí)別
        4.2.3 基于特征融合與LSTM網(wǎng)絡(luò)的視頻行為識(shí)別
        4.2.4 基于視頻分段與LSTM網(wǎng)絡(luò)的視頻行為識(shí)別
    4.3 實(shí)驗(yàn)仿真與分析
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 基于LSTM網(wǎng)絡(luò)算法的識(shí)別性能分析
        4.3.3 基于特征融合與LSTM網(wǎng)絡(luò)算法的識(shí)別性能分析
        4.3.4 基于視頻分段與LSTM網(wǎng)絡(luò)算法的識(shí)別性能分析
        4.3.5 與其他方法的比較
    4.4 本章小結(jié)
第5章 基于三維卷積稠密網(wǎng)絡(luò)的視頻行為識(shí)別算法
    5.1 引言
    5.2 網(wǎng)絡(luò)構(gòu)建
        5.2.1 三維卷積網(wǎng)絡(luò)
        5.2.2 DenseNet網(wǎng)絡(luò)
        5.2.3 三維卷積稠密網(wǎng)絡(luò)
        5.2.4 多尺度三維卷積稠密網(wǎng)絡(luò)
    5.3 實(shí)驗(yàn)仿真與分析
        5.3.1 實(shí)驗(yàn)設(shè)置
        5.3.2 三維卷積稠密網(wǎng)絡(luò)的識(shí)別性能分析
        5.3.3 多尺度三維卷積稠密網(wǎng)絡(luò)的識(shí)別性能分析
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝



本文編號(hào)：3318722