基于視頻的行為識別.pdf

1、視頻行為識別是計算機視覺領域里最具挑戰(zhàn)性的問題之一。視頻行為識別的任務就是利用計算機自動地分析視頻數(shù)據(jù)，從而識別行為類別。視頻行為識別在很多領域有重要的應用價值，如智能視頻監(jiān)控、視頻檢索、人-機交互等。本文研究基于卷積神經(jīng)網(wǎng)絡的視頻行為識別，主要工作及貢獻如下:
　　(1)基于分段雙流卷積神經(jīng)網(wǎng)絡的行為識別
　　以GoogLeNet模型替換雙流卷積神經(jīng)網(wǎng)絡結構的AlexNet模型，引入GoogLeNet的網(wǎng)絡模型的BN-In

2、ception層，加深網(wǎng)絡層數(shù)，增加樣本的特征表達;同時，在卷積神經(jīng)網(wǎng)絡的學習過程中，將低、中、高等不同級別特征進行多級別、不同程度變換，實現(xiàn)關于行為樣本的低級、局部部件等不同程度特征的信息互補。
　　針對卷積神經(jīng)網(wǎng)絡的學習，以預訓練網(wǎng)絡模型來初始化模型參數(shù)，并基于誤差反向傳播算法進行模型參數(shù)的微調，以獲取較好的模型泛化能力。
　　將視頻在時間軸上分段，分別基于時間流、空間流信息，構建分段卷積神經(jīng)網(wǎng)絡，以實現(xiàn)關于視頻行為局部

3、時序結構的有效表達。
　　基于視頻數(shù)據(jù)集UCF101與HMDB51的實驗驗證了算法的有效性。
　　(2)基于集成學習的行為識別
　　借助集成學習思想，改善行為識別性能。在上述個體卷積神經(jīng)網(wǎng)絡模型學習的基礎上，從決策級集成的角度研究了幾種基于個體識別模型投票機制的集成學習方式，借助集成模型實現(xiàn)視頻行為識別性能的進一步改善。
　　基于數(shù)據(jù)集UCF101與HMDB51對集成模型的有效性進行了驗證。
　　此外，還探