基于形态嵌入特征的室内日常行为识别方法研究

作     者：袁欢 

作者单位：电子科技大学 

学位级别：硕士

导师姓名：李宏亮

授予年度：2019年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0813[工学-建筑学] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：行为识别 室内场景 日常行为 卷积神经网络 

摘      要：随着社会发展和生活水平的提高,安全问题成为了人们关注的焦点,日常行为识别作为智能家居系统的重要组成部分,吸引着大批科研工作者投入到该项研究中。传统的机器学习方法需要手工提取鲁棒的特征,这些特征仅适用于特定场景和特定行为,存在明显的局限性。现有的深度学习方法能够自主学习图像特征对复杂场景下多种行为进行识别。本论文研究基于深度学习的行为识别方法,面向室内场景下的日常行为,构建室内日常行为识别数据库,结合人体骨架与人体部位信息,解决室内场景下日常行为识别问题。本文的具体研究内容如下:1.本文构建了室内日常行为识别数据库。该数据库包含了不同场景,不同分辨率、清晰度,不同光照,不同视角,姿态变化明显的图像。同时,数据库将作为本文研究行为识别方法的训练数据和测试数据,为行为识别方法准确率的提升奠定基础。2.本文研究一种基于人体骨架信息的行为识别方法。本文搭建了一个网络层数更浅、参数和计算量更少的形态嵌入特征提取网络,提取了人体骨架形态嵌入特征,有效捕捉对象的姿态信息。同时运用特征融合的思想融合原始图像特征和人体骨架形态嵌入特征,并改进现有特征融合方法,使得融合的特征获得更强大的表达能力,提高了行为识别的准确率。3.本文研究一种基于人体部位信息的行为识别方法。本文提取了人体各部位区域作为潜在候选上下文区域,并运用改进的多示例学习方法选择信息最丰富的人体部位形态特征,使得行为分类准确率大大提升。4.本文研究一种基于可判别特征的行为识别方法。本文通过类内聚合和类间分离的方法约束卷积神经网络(Convolutional Neural Networks,CNN)特征,增强深度学习特征的判别能力。在现有类内聚合方法的基础上,结合对比损失思想,改进类内聚合方法使得特征具有类间分离的特性,有效增强了深度学习特征的判别力,较好地完成了室内场景下的日常行为识别任务。