發(fā)布時間：2025-04-14 22:55

　　在計算機(jī)視覺領(lǐng)域,視頻人體行為識別一直是個熱門的研究方向。視頻人體行為識別不同于靜態(tài)圖像的人體行為識別,輸入網(wǎng)絡(luò)的不是單幀圖像而是連續(xù)多幀序列,圖像緒論蘊(yùn)含了更多的時序信息,是未來行為識別的主流研究方向。傳統(tǒng)的人體行為識別方法由于其耗時長,特征提取復(fù)雜等原因,難以在實(shí)際應(yīng)用中有重大突破。隨著計算機(jī)軟硬件的高速發(fā)展,2006年提出來的深度學(xué)習(xí)理論得以實(shí)踐,視頻人體行為識別再次被重視起來。如今,視頻人體行為識別在視頻監(jiān)控,智能家居,體感互動等領(lǐng)域都有著廣泛的運(yùn)用,發(fā)揮著重要的作用。本文從深度學(xué)習(xí)理論出發(fā),結(jié)合最新的研究成果,對以下兩點(diǎn)進(jìn)行實(shí)驗(yàn)研究。在3D網(wǎng)絡(luò)的基礎(chǔ)上增加密集和殘差結(jié)構(gòu),提出密集殘差網(wǎng)絡(luò)(R-Densenet)。相比于2D卷積核,3D卷積核增加了一個深度維度來提取時序信息,可以有效的提取到動作的時序信息,對一些相似動作有良好的識別能力。3D網(wǎng)絡(luò)復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)導(dǎo)致計算量大,運(yùn)行速度慢,網(wǎng)絡(luò)難以抵達(dá)很深的深度,無法發(fā)揮深度學(xué)習(xí)的優(yōu)勢,因此在3D網(wǎng)絡(luò)的基礎(chǔ)上提出密集殘差結(jié)構(gòu),通過密集殘差的網(wǎng)絡(luò)結(jié)構(gòu)來解決梯度消失,網(wǎng)絡(luò)退化等問題,同時跳躍的鏈接可以有效減少網(wǎng)絡(luò)的參數(shù),讓網(wǎng)絡(luò)更加輕便,有...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于RGB圖像的人體行為識別
        1.2.2 基于骨骼節(jié)點(diǎn)的行為識別
    1.3 本文研究內(nèi)容和組織結(jié)構(gòu)
第2章 基于深度學(xué)習(xí)的人體行為識別概述
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積核
        2.1.2 池化
        2.1.3 全連接層
        2.1.4 激活函數(shù)
        2.1.5 損失函數(shù)
    2.2 3D卷積網(wǎng)絡(luò)
        2.2.1 3D卷積核
        2.2.2 偽3D結(jié)構(gòu)
    2.3 常用數(shù)據(jù)集
    2.4 本章小結(jié)
第3章 密集殘差結(jié)構(gòu)在3D網(wǎng)絡(luò)上的研究
    3.1 殘差網(wǎng)絡(luò)和密集網(wǎng)絡(luò)
    3.2 3D密集殘差網(wǎng)絡(luò)連接
        3.2.1 3D密集網(wǎng)絡(luò)
        3.2.2 密集殘差網(wǎng)絡(luò)
    3.3 實(shí)驗(yàn)過程與結(jié)果分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 實(shí)驗(yàn)參數(shù)設(shè)置
        3.3.3 實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第4章 基于骨骼節(jié)點(diǎn)的人體行為識別研究
    4.1 Kinect獲得骨骼圖像
    4.2 骨骼節(jié)點(diǎn)拓?fù)鋱D的建立
        4.2.1 骨骼序列的劃分方式
        4.2.2 時空圖卷積
    4.3 深度信息數(shù)據(jù)集
    4.4 實(shí)驗(yàn)設(shè)置與結(jié)果分析
    4.5 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：4039669