基于深度学习的行为识别开题报告

全文总字数：4169字

1. 研究目的与意义（文献综述）

1.目的及意义

人体行为识别是计算机视觉领域的一个重要研究分支，近年来，伴随着计算机硬件和软件的飞速发展，计算机在处理能力方面也得到了迅 猛的进步。在众多研究者和工程师的不懈努力下,行为识别技术得以快速发展。人们对计算机的使用也越来越依赖，人体行为识别技术的应用范围也越来越广泛，比如在智能安防系统、无人驾驶、人机交互和体育训练中都有着重要的应用。

视频监控设备如今随处可见，提升了公共环境的安全性。然而现有的大部分视频监控系统只能实现简单的监控、视频保存、视频查阅等功能。当监控区域发生了事故时，需要人工对海量的视频数据进行查看、筛选为事故提供视频证据，这种情况会消耗大量的人力，并且效率极其低下，而且在处理视频数据时，由于人为因素难免会发生误判、漏判的情况。而使用了人体行为识别技术的智能安防监控系统能在监控记录视频的同时，可以对当前发生的情况进行实时的智能分析，对监控区域下的异常行为做出及时的反映，比如触发警报。在事后需要再次使用监控视频数据时也能进行智能定位，无需人工查找，解放了人力也提升了查找的准确性和效率。应用人体行为识别技术的智能监控系统拥有普通监控设备所不具有的实时性和可靠性，可以进一步提升公共环境的安全性。

2. 研究的基本内容与方案

人体行为识别的研究有：人体行为图像序列预处理、人体目标检测、人体动作特征提取和人体行为识别等五个基本的过程，本次研究也将从这五个过程分别展开。本文研究重点是深度学习在行为识别上的应用， 主要包括 3D-CNN 和 LSTM网络两种。针对当前精确度不高的问题，着力于提高识别精度。最终利用图像完成检测，识别，设计并实现一个简单的行为识别系统。

拟使用LSTM对图像进行建模，LSTM将底层CNN的输出连接起来作为下一时刻的输入，将图像数据通过底层CNN处理，然后输出的连接通过LSTM。首先将数据输入到卷积网络中，然后将卷积网络的输出作为输入传给一个深度LSTM结构，最后有一个softmax层用来做预测。其中卷积结构拟使用AlexNet和GoogLeNet。

3. 研究计划与安排

1.（1）2020/1/13—2020/2/20：查阅文献，外文翻译；

（2）2020/2/21—2020/2/28：撰写开题报告；

2.（1）2020/3/1—2020/3/15：系统架构；

4. 参考文献（12篇以上）

[1]杨天金,侯振杰,李兴,梁久祯,宦娟,郑纪翔.多聚点子空间下的时空信息融合及其在行为识别中的应用[j/ol].自动化学报:1-13[2019-12-13].https://doi.org/10.16383/j.aas.c190327.[2]谢澈澈. 基于深度学习和无监督域适应的跨用户行为识别研究[d].华南理工大学,2019.[3]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.[4]袁鹏程. 基于卷积神经网络的人体姿态识别算法研究[d].西安石油大学,2019.[5]林闯. 基于深度学习的视频行为识别研究[d].北京邮电大学,2019.[6]刘潇. 基于深度学习的人体行为识别技术的研究与应用[d].北京邮电大学,2019.[7]蔡淳淳. 人体姿态识别新方法[d].北京交通大学,2019.[8]张宇. 基于时间序列的人体行为识别算法研究[d].北京邮电大学,2019.[9]曹鑫坤. 基于深度学习的监控视频分析与事件检测[d].北京邮电大学,2019.[10]汪先远. 基于深度学习的人体行为识别研究[d].北京交通大学,2019.[11]李超. 基于卷积神经网络的人体行为分析与步态识别研究[d].浙江大学,2019.[12]张士伟. 视频序列中的人体行为检测识别方法研究[d].华中科技大学,2019.[13]姚光乐. 视频序列中的行为识别技术研究[d].电子科技大学,2019.[14]肖朔晨. 基于多源数据的移动通信用户行为识别及个性化推荐研究[d].北京邮电大学,2018.[15]田艺. 基于多样本与零样本学习的人体行为识别研究[d].北京交通大学,2018.

[16]仉长崎. 基于视觉感知运动对象行为理解[d].上海大学,2018.

[17]wang h, klser a, schmid c, et al. action recognition by dense trajectories[c]. 2011.