导读:本文包含了人体行为识别论文开题报告文献综述及选题提纲参考文献，主要关键词:识别算法,智能监控,优化
人体行为识别论文文献综述
杨丰嘉[1]（2019）在《基于Log-Euclidean词袋模型与基于Stein核稀疏编码的人体行为识别算法的优化与改进》一文中研究指出人体行为识别作为计算机视觉研究热点,在智能监控、人机交互、运动分析等领域具有广泛的应用前景。文章运用时空特征协方差矩阵表征视频中人体行为,分别研究并改进了基于Log-Euclidean词袋模型与基于Stein核稀疏编码的人体行为识别算法。(本文来源于《科技创新与应用》期刊2019年35期）
邹小武,盛蒙蒙,毛家发,盛伟国[2]（2019）在《一种用于人体行为识别的CNN-BLSTM模型》一文中研究指出基于加速度计等多传感器融合的人体行为识别研究一般是通过提取特征值并利用分类器完成行为识别,因此数据特征的提取和分类器选择是该领域主要问题.针对行为特征提取和分类问题,本文提出一种基于CNN-BLSTM模型的人体行为识别方法.首先将加速度数据转换为张量形式,然后利用卷积神经网络(CNN)提取张量特征,接着将提取的特征输入双向长短期记忆网络(BLSTM)中,完成人体的行为识别.由于CNN在特征提取方面具有较好的性能,能够完整地提取特征,且行为动作在时间前后关联性较强,因此CNN-BLSTM模型具有较强的识别率.我们在WISDM数据集上进行了测试实验,结果显示所提方法对人体行为的平均识别率(多次独立重复实验的平均结果)达到了96. 95%.(本文来源于《小型微型计算机系统》期刊2019年11期）
陈华华,查永亮[3]（2019）在《基于卷积神经网络的人体行为识别方法》一文中研究指出为了更高效地识别视频中的人体行为,解决长时间视频密集采样导致计算成本过高的问题,提出一种深度残差网络和BN-Inception网络相组合的空间时间网络。用深度残差网络构建视频的空间网络,并用BN-Inception网络构建视频的时间网络。通过稀疏采样的方式提取视频中的图像和光流特征图,并将视频图像送入空间网络训练,将光流送入时间网络训练,得出各自的行为识别准确率,再将空间网络和时间网络的输出得分进行融合,得出最终识别准确率。在UCF-101和HMDB-51数据集上分别取得了94.5%和70.1%的准确率,优于很多行为识别方法。(本文来源于《杭州电子科技大学学报(自然科学版)》期刊2019年06期）
孙琪翔,何宁,张则宇[4]（2019）在《基于深度学习方法的人体行为识别综述》一文中研究指出近年来,人体行为识别成为了计算机视觉方向的热点研究问题。基于视频进行人体行为识别的基本思想是应用卷积神经网络(CNN)来进行识别。现有的识别方法可以大致分为RGB和光流组成两流架构构成的2D卷积神经网络、具有时空特性的3D卷积神经网络架构和3D卷积核的残差网络叁大类。首先,根据视频中特征提取及模型的不同,将现有算法分为基于单帧的2D卷积神经网络和基于连续帧的具有时空特性的3D卷积神经网络,并分别介绍各种模型在不同数据集下的实验效果。其次,在卷积神经网络结构下,按照网络层数的不同,将其分为浅层神经网络和深层神经网络,并分别介绍不同网络的优缺点。然后,基于目前最好的实验效果,介绍3D残差网络在人体行为识别中的应用。最后,探讨人体行为识别的进一步研究方向。(本文来源于《中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集》期刊2019-11-07）
刘昕,张冰[5]（2019）在《基于多特征融合的人体行为识别》一文中研究指出传统的特征描述方法对于背景简单、运动单一的人物行为已经取得较高的识别率。但对于复杂环境下的人体运动信息,单一的描述算子不能有效地表示。论文中,实验以广泛使用的Weizmann和KTH数据集作为研究对象,Matlab作为实验平台,采取多特征融合描述子来增加特征信息量,使得特征描述更有区分度,进而提高系统的行为识别效果。(本文来源于《计算机与数字工程》期刊2019年10期）
唐超,王文剑,张琛,彭华,李伟[6]（2019）在《基于RGB-D图像特征的人体行为识别》一文中研究指出针对现有的多模态特征融合方法不能有效度量不同特征的贡献度的问题,文中提出基于RGB-深度(RGB-D)图像特征的人体动作识别方法.首先获取基于RGB模态信息的方向梯度直方图特征、基于深度图像模态信息的时空兴趣点特征和基于关节模态信息的人体关节点位置特征,分别表征人体动作.采用不同距离度量公式的最近邻分类器对这3种不同模态特征表示的预测样本进行集成决策分类.在公开数据集上的实验表明,文中方法具有简单、快速,高效的特点.(本文来源于《模式识别与人工智能》期刊2019年10期）
余万里,韦玉梅,李鲁群[7]（2019）在《基于多模型融合的人体行为识别模型》一文中研究指出对用户的行走、上楼、下楼、静坐、站立、躺下6种行为状态产生的陀螺仪传感器数据进行研究。通过分析局部时间段内用户的状态信息,扩充样本数据维度,将卷积神经网络模型和长短期记忆网络模型相结合,构建特征提取器,使用线性支持向量机完成分类工作。行为识别精度达到99.4%以上,每一种的行为状态识别精度均超过98%。相比于多层感知机、卷积神经网络以及长短期记忆网络,平均识别精度提升了1%-2%。相比传统的机器学习算法,例如贝叶斯、支持向量机、决策树等,平均识别精度提升了3%-4%。(本文来源于《计算机工程与设计》期刊2019年10期）
李红,臧晶[8]（2019）在《基于深度学习的人体行为识别技术研究》一文中研究指出人体行为识别是计算机视觉领域研究的一个热点,为了提高视频中的人体行为识别的准确率,提出了一种基于3D卷积神经网络的行为识别方法,首先构建3D CNN模型,通过叁维卷积核,来提取视频中人体行为的时-空域信息,最终并在UCF-101数据集上进行训练与测试,证明了该方法具有较好的识别效果。(本文来源于《科技资讯》期刊2019年29期）
曾明如,郑子胜,罗顺[9]（2019）在《结合LSTM的双流卷积人体行为识别》一文中研究指出为了更好地获取视频中连续帧之间的时间信息,提出一种新颖的双流卷积网络结构用于视频的人体行为识别。该网络在不改变双流卷积中空间流结构的情况下,在时间流的卷积模型中加入长短时记忆(LSTM)网络,并且时间流的训练相较于以往的双流卷积架构采用端对端的训练方式。同时在新的网络结构上尝试使用组合误差函数来获得更好的光流信息。在KTH和UCF101两个通用人体行为视频数据集上进行实验,实验结果证明,提出的使用组合误差函数结合LSTM的双流卷积与普通的双流卷积、使用以往误差函数结合LSTM的双流卷积相比,识别率有明显的提高。(本文来源于《现代电子技术》期刊2019年19期）
韩丽丽[10]（2019）在《基于LSTM的人体行为识别方法研究》一文中研究指出人体行动识别已经成为计算机视觉的一个活跃领域,并且存在许多重要的研究问题,例如事件识别、基于群体的活动识别、人类与机器的交互以及视频中人类的活动分析。目前提出的多数方法是识别2D相机记录的RGB视频中的动作。然而,由于叁个原因,它仍然是一个具有挑战性的问题。首先,很难从高维和低质量输入数据中提取到有用信息;其次,RGB视频对某些因素非常敏感,如光照变化、遮挡和背景杂乱;第叁,动作的识别与诸如人体姿势和物体之类的高级视觉线索有关,这些线索很难直接从RGB视频获得。人类可以通过一些描述行为中骨骼主要关节点的方法来进行行为识别,而实验表明,大量的行为类别只能从骨骼中识别出来。与基于RGB的动作识别相比,基于骨架的动作识别可以避免从视频中提取特征的繁琐任务并且可以明确地模拟动作的动态。获取骨架的方法有叁种:动作捕捉系统、RGB图像和深度图。复杂的动作捕捉系统非常昂贵,并且需要用户佩戴带有标记的动作捕捉套装;从单张RGB图像或视频中提取可靠的骨架,即姿势估计,仍然是一个很有难点的问题。目前已有的算法多从骨架序列的时间和空间的角度去构建网络模型,并没有从骨架序列内部的关系去考虑网络模型的构建。因此,本文提出基于自注意力机制的时间流型长短期记忆网络(Temporal Sliding LSTM Networks based on Self-Attention mechanism,TLSTM-Atten)模型进行骨架序列 内部依赖关系的提取。在此前,对Self-Attention机制进行了详细研究和分析,最后采用Softmax函数进行最后的识别率统计。本文将提出的TLSTM-Atten神经网络应用到NTU RGB+D和Northwestem-UCLA数据集上,并对实验结果进行详细分析。在NTU RGB+D数据集上,本文采用TLSTM-Atten神经网络进行训练,在交叉受试者(Cross Subject,CS)和交叉视图(Cross View,CV)两个标准上识别率分别提高将近3%;在Northwestern-UCLA数据集上,本文采用TLSTM-Atten神经网络进行训练识别率达到89.49%,优于Lie Group 网络 15.29%,优于 HBRNN-L 网络 10.83%,优于 TS-LSTM 网络 3.50%。总之,本文的主要贡献如下。首先,对Kinect2.0感应器进行标定,分析骨骼数据提取的原理;其次,提出一种TLSTM-Atten网络,以提取骨架序列之间的内部依赖关系;第叁,将TLSTM-Atten网络应用到Northwestern-UCLA数据集和NTU RGB+D数据集,并通过实验验证了 TLSTM-Atten网络在基于骨架的行为上识别的有效性。最后,对实验结果从识别率、混淆矩阵和直方图等角度进行分析。(本文来源于《北京交通大学》期刊2019-10-01）
人体行为识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于加速度计等多传感器融合的人体行为识别研究一般是通过提取特征值并利用分类器完成行为识别,因此数据特征的提取和分类器选择是该领域主要问题.针对行为特征提取和分类问题,本文提出一种基于CNN-BLSTM模型的人体行为识别方法.首先将加速度数据转换为张量形式,然后利用卷积神经网络(CNN)提取张量特征,接着将提取的特征输入双向长短期记忆网络(BLSTM)中,完成人体的行为识别.由于CNN在特征提取方面具有较好的性能,能够完整地提取特征,且行为动作在时间前后关联性较强,因此CNN-BLSTM模型具有较强的识别率.我们在WISDM数据集上进行了测试实验,结果显示所提方法对人体行为的平均识别率(多次独立重复实验的平均结果)达到了96. 95%.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人体行为识别论文参考文献
[1].杨丰嘉.基于Log-Euclidean词袋模型与基于Stein核稀疏编码的人体行为识别算法的优化与改进[J].科技创新与应用.2019
[2].邹小武,盛蒙蒙,毛家发,盛伟国.一种用于人体行为识别的CNN-BLSTM模型[J].小型微型计算机系统.2019
[3].陈华华,查永亮.基于卷积神经网络的人体行为识别方法[J].杭州电子科技大学学报(自然科学版).2019
[4].孙琪翔,何宁,张则宇.基于深度学习方法的人体行为识别综述[C].中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集.2019
[5].刘昕,张冰.基于多特征融合的人体行为识别[J].计算机与数字工程.2019
[6].唐超,王文剑,张琛,彭华,李伟.基于RGB-D图像特征的人体行为识别[J].模式识别与人工智能.2019
[7].余万里,韦玉梅,李鲁群.基于多模型融合的人体行为识别模型[J].计算机工程与设计.2019
[8].李红,臧晶.基于深度学习的人体行为识别技术研究[J].科技资讯.2019
[9].曾明如,郑子胜,罗顺.结合LSTM的双流卷积人体行为识别[J].现代电子技术.2019
[10].韩丽丽.基于LSTM的人体行为识别方法研究[D].北京交通大学.2019