基于优化卷积神经网络结构的人体行为识别

孙月驰 平 伟 徐明磊

(山东科技大学计算机科学与工程学院 山东 青岛 266590)

0 引 言

近年来，人体行为识别研究逐渐成熟，在视频的智能分析、虚拟现实、人机交互、视频摘要、视频信息检索、运动分析方面都具有广阔的应用前景[1]。行为识别已经成为深度学习领域的研究热点之一，深度学习算法的研究推动了行为识别研究的进步。

深度学习的基本原理是通过构建具有提取非线性特征的卷积神经网络结构，完成学习、训练过程，提取数据集的本质特征。目前比较成熟的深度学习算法包括对抗神经网络(Generative Adversarial Networks，GAN)、深度置信网络(Deep Belief Network，DBN)、卷积神经网络(Convolutional Neural Network，CNN)等。深度学习在多个领域展现出强大的学习能力和适应能力，深入研究深度学习算法对推动人工智能及拓展其应用具有重要意义。随着运动目标识别技术的广泛应用，如何提高算法的泛化性能和非线性拟合能力，减少冗余特征信息的提取，提升算法对行为识别的准确率，将是未来研究的重点。很多学者采用深度学习算法获取深层次的特征信息，通过非监督学习方式来学习特征，训练模型进行目标和行为的识别。目前基于深度学习算法的行为识别研究可以分为如下四种类别：

1) 基于卷积神经网络的行为识别。卷积神经网络[2](Convolution neural network，CNN)是深度前馈神经网络的一个分支，在图像识别领域得到广泛的应用，并取得很大成功。CNN由一维、二维以及三维卷积神经网络组成，分别应用于序列类的数据处理、图像类文本的识别、医学图像以及视频类数据识别。……