基于卷積神經(jīng)網(wǎng)絡(luò)的視頻中的人體行為識(shí)別研究.pdf

1、人體行為識(shí)別是智能視頻實(shí)時(shí)監(jiān)控中非常重要的一部分，該研究對(duì)于維護(hù)公共安全、打擊犯罪、國(guó)家防衛(wèi)都有著巨大意義。人體行為識(shí)別的研究涉及到圖像處理技術(shù)、計(jì)算機(jī)視覺技術(shù)、模式識(shí)別技術(shù)等多個(gè)領(lǐng)域知識(shí)。傳統(tǒng)人體識(shí)別技術(shù)需要預(yù)先進(jìn)行圖像的特征提取，然后使用機(jī)器學(xué)習(xí)算法對(duì)其進(jìn)行識(shí)別和分類，主要缺點(diǎn)是需要對(duì)每個(gè)要提取的特征都要有較為深入的先驗(yàn)知識(shí)，在不同的應(yīng)用場(chǎng)景下，需要人為設(shè)計(jì)提取不同的特征。
　　深度學(xué)習(xí)理論的發(fā)展，給圖像處理等領(lǐng)域帶來了嶄新的

2、思路和無限可能。其中最為代表之一的卷積神經(jīng)網(wǎng)絡(luò)更是以其可以直接輸入圖像本身、無需另外設(shè)計(jì)特征等優(yōu)勢(shì)成為新的研究熱點(diǎn)。卷積神經(jīng)網(wǎng)絡(luò)通過將網(wǎng)絡(luò)稀疏連接以及共享權(quán)值等方式，有效降低網(wǎng)絡(luò)的復(fù)雜度，增強(qiáng)了模型的訓(xùn)練效果，從而廣泛地應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域中的目標(biāo)識(shí)別、人臉識(shí)別和圖像分類等問題中。
　　本文的主要研究工作有：
　　設(shè)計(jì)了一個(gè)隨機(jī)Dropout卷積神經(jīng)網(wǎng)絡(luò)模型用于人體行為識(shí)別任務(wù)。針對(duì)卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本較少時(shí)存在的過擬合現(xiàn)

3、象，對(duì)深度學(xué)習(xí)理論中幾種實(shí)現(xiàn)模型平均的方法進(jìn)行總結(jié)，并對(duì)其中之一的Dropout方法進(jìn)行改進(jìn)，改進(jìn)后的方法稱為隨機(jī)Dropout。將隨機(jī)Dropout應(yīng)用到卷積神經(jīng)網(wǎng)絡(luò)模型的分類器階段，在網(wǎng)絡(luò)訓(xùn)練過程中隨機(jī)選擇“凍結(jié)”一定比例的神經(jīng)元權(quán)值，使每次網(wǎng)絡(luò)更新時(shí)神經(jīng)元的連接次序都發(fā)生變化，從而使網(wǎng)絡(luò)權(quán)值的更新不再依賴于有固定關(guān)系隱含節(jié)點(diǎn)的共同作用。在Weizmann人體行為識(shí)別數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，將加入隨機(jī)Dropout的卷積神經(jīng)網(wǎng)絡(luò)與未加入的

4、進(jìn)行比較，加入隨機(jī)Dropout的網(wǎng)絡(luò)在各類行為識(shí)別上均取得了較高的識(shí)別率，可以有效防止過擬合。
　　在隨機(jī)Dropout卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。包括兩方面內(nèi)容：一方面，調(diào)整網(wǎng)絡(luò)模型在特征提取階段的神經(jīng)元類型，結(jié)合使用Maxout激活函數(shù)神經(jīng)元，加入Maxout隱含層，從而增長(zhǎng)卷積神經(jīng)網(wǎng)絡(luò)模型的長(zhǎng)度；另一方面，在本文設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)模型的采樣層部分，進(jìn)行不同采樣方式的對(duì)比實(shí)驗(yàn)，分析卷積神經(jīng)網(wǎng)絡(luò)的不同采樣方式