基于深度学习的人体行为识别技术的研究与应用基于视频的人体行为识别一直是计算机视觉领域的热门研究方向,在智能视频监控、安全驾驶、人机交互和视频检索等领域有着重
要的应用价值。

随着深度学习技术的发展成熟,人体行为识别取得了
突破性进展,但由于人体行为复杂性和背景噪音等问题,如何高效准
确地提取人体行为特征,设计一种高精度、泛化能力强的人体行为识
别算法仍是巨大的挑战。

针对这些问题,本文的主要研究工作如下:
提出一种基于二维注意力卷积神经网络的人体行为识别算法。

为了减少背景噪音干扰,准确提取关键区域的特征信息,本文提出一种基于
像素级别的注意力机制,驱动网络自主学习特征权重,有效地提高了
算法性能。

提出一种基于三维残差卷积神经网络的人体行为识别算法。

为了充分利用视频的空间和时间信息,本文设计一种三维卷积神经网络,同时提取时空特征,并嵌入三维残差结构,加深网络宽度的同时提
高性能,为减少模型参数量,使用全局平均池化代替全连接层。

该算法在准确率和速度上具有良好的效果。

提出一种基于多流卷积神经网络的人体行为识别算法。

为了增强模型的泛化性能,本文提出使用多模
态数据输入,包括RGB图、光流图和梯度图,并使用二维和三维多种网络结构,最后提出两种网络加权融合策略,该算法在UCF101数据集和HMDB51数据集上的准确率分别为95.1%和71.6%。

提出基于滑动窗口的驾驶员异常行为监控预警机制,通过累计异常值和与异常阈值判断
是否触发预警,进一步设计并完成原型系统,通过自主采集的驾驶员
行为数据集完成应用层面的算法验证。