基于卷積神經(jīng)網(wǎng)絡的視頻中的人體行為識別研究.pdf

1、人體行為識別是智能視頻實時監(jiān)控中非常重要的一部分，該研究對于維護公共安全、打擊犯罪、國家防衛(wèi)都有著巨大意義。人體行為識別的研究涉及到圖像處理技術、計算機視覺技術、模式識別技術等多個領域知識。傳統(tǒng)人體識別技術需要預先進行圖像的特征提取，然后使用機器學習算法對其進行識別和分類，主要缺點是需要對每個要提取的特征都要有較為深入的先驗知識，在不同的應用場景下，需要人為設計提取不同的特征。
　　深度學習理論的發(fā)展，給圖像處理等領域帶來了嶄新的

2、思路和無限可能。其中最為代表之一的卷積神經(jīng)網(wǎng)絡更是以其可以直接輸入圖像本身、無需另外設計特征等優(yōu)勢成為新的研究熱點。卷積神經(jīng)網(wǎng)絡通過將網(wǎng)絡稀疏連接以及共享權(quán)值等方式，有效降低網(wǎng)絡的復雜度，增強了模型的訓練效果，從而廣泛地應用于計算機視覺領域中的目標識別、人臉識別和圖像分類等問題中。
　　本文的主要研究工作有：
　　設計了一個隨機Dropout卷積神經(jīng)網(wǎng)絡模型用于人體行為識別任務。針對卷積神經(jīng)網(wǎng)絡在訓練樣本較少時存在的過擬合現(xiàn)

3、象，對深度學習理論中幾種實現(xiàn)模型平均的方法進行總結(jié)，并對其中之一的Dropout方法進行改進，改進后的方法稱為隨機Dropout。將隨機Dropout應用到卷積神經(jīng)網(wǎng)絡模型的分類器階段，在網(wǎng)絡訓練過程中隨機選擇“凍結(jié)”一定比例的神經(jīng)元權(quán)值，使每次網(wǎng)絡更新時神經(jīng)元的連接次序都發(fā)生變化，從而使網(wǎng)絡權(quán)值的更新不再依賴于有固定關系隱含節(jié)點的共同作用。在Weizmann人體行為識別數(shù)據(jù)集上進行實驗，將加入隨機Dropout的卷積神經(jīng)網(wǎng)絡與未加入的

4、進行比較，加入隨機Dropout的網(wǎng)絡在各類行為識別上均取得了較高的識別率，可以有效防止過擬合。
　　在隨機Dropout卷積神經(jīng)網(wǎng)絡模型的基礎上，進一步優(yōu)化網(wǎng)絡結(jié)構(gòu)。包括兩方面內(nèi)容：一方面，調(diào)整網(wǎng)絡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，從而增長卷積神經(jīng)網(wǎng)絡模型的長度；另一方面，在本文設計的卷積神經(jīng)網(wǎng)絡模型的采樣層部分，進行不同采樣方式的對比實驗，分析卷積神經(jīng)網(wǎng)絡的不同采樣方式