資源描述：
《基于深度學習的人體行為檢測方法研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、分類號：密級：UDC：編號：工學碩士學位論文基于深度學習的人體行為檢測方法研究碩士研究生：王中旺指導教師：莫宏偉教授學科、專業(yè)：控制科學與工程論文主審人：管鳳旭副教授哈爾濱工程大學2018年3月分類號：密級：UDC：編號：工學碩士學位論文基于深度學習的人體行為檢測方法研究碩士研究生：王中旺指導教師：莫宏偉教授學位級別：工學碩士學科、專業(yè)：控制科學與工程所在單位：自動化學院論文提交日期：2018年1月論文答辯日期：2018年3月學位授予單位：哈爾濱工程大學ClassifiedIndex:U.D.C:ADissertationfortheD
2、egreeofM.EngResearchonHumanActionDetectionBasedonDeepLearningCandidate:WangZhongwangSupervisor:Prof.MoHongweiAcademicDegreeAppliedfor:MasterofEngineeringSpecialty:ControlScienceandEngineeringDateofSubmission:Jan.2018DateofOralExamination:Mar.2018University:HarbinEngineer
3、ingUniversity哈爾濱工程大學學位論文原創(chuàng)性聲明本人鄭重聲明：本論文的所有工作，是在導師的指導下，由作者本人獨立完成的。有關觀點、方法、數(shù)據(jù)和文獻的引用已在文中指出，并與參考文獻相對應。除文中已注明引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)公開發(fā)表的作品成果。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本人完全意識到本聲明的法律結果由本人承擔。作者（簽字）：日期：年月日哈爾濱工程大學學位論文授權使用聲明本人完全了解學校保護知識產(chǎn)權的有關規(guī)定，即研究生在校攻讀學位期間論文工作的知識產(chǎn)權屬于哈爾濱工程大學
4、。哈爾濱工程大學有權保留并向國家有關部門或機構送交論文的復印件。本人允許哈爾濱工程大學將論文的部分或全部內(nèi)容編入有關數(shù)據(jù)庫進行檢索，可采用影印、縮印或掃描等復制手段保存和匯編本學位論文，可以公布論文的全部內(nèi)容。同時本人保證畢業(yè)后結合學位論文研究課題再撰寫的論文一律注明作者第一署名單位為哈爾濱工程大學。涉密學位論文待解密后適用本聲明。本論文（□在授予學位后即可□在授予學位12個月后□解密后）由哈爾濱工程大學送交有關部門進行保存、匯編等。作者（簽字）：導師（簽字）：日期：年月日年月日帶格式的:段落間距段后:24磅,邊框:底端:(無框基于深度
5、學習的人體行為檢測方法研究線)摘要人體行為檢測是計算機視覺與模式識別領域重要的研究內(nèi)容，其在運動分析、智能視頻監(jiān)控、人機交互、民用和軍事等眾多領域中有著廣泛的應用前景。人體行為檢測是通過計算機視覺和計算機圖形圖像處理等技術對視頻圖像中人的行為進行識別的。傳統(tǒng)的人體行為檢測需要靠人工提取行為特征，提取有效特征的難度大并且識別的精度較低。深度學習的方法可以讓擁有多個處理層的計算模型來學習多層次抽象的數(shù)據(jù)表示，并且在語音識別、視覺對象識別等領域取得了重大進展。所以利用深度學習的方法研究人體行為檢測是行之有效且值得探索的工作。本文主要研究了深度
6、學習卷積神經(jīng)網(wǎng)絡對人體行為檢測的方法。卷積神經(jīng)網(wǎng)絡相對于全連接的神經(jīng)網(wǎng)絡，通過局部感受野和權值共享，大大降低了需要訓練的參數(shù)個數(shù)，使訓練速度加快，效率更高并且能夠提取到人體行為中的有效的特征。本文在人體行為檢測中，重點研究了FasterR-CNN算法，針對算法的不足之處進行了改進，實現(xiàn)了從數(shù)據(jù)采集到最后生成輸出檢測信息整個流程的算法。首先，研究了卷積神經(jīng)網(wǎng)絡的原理和訓練過程，進而選擇使用FasterR-CNN的方法，并對此算法的原理進行了詳細的闡述。并利用PascalVOC2012中的標準數(shù)據(jù)集制作了人體行為數(shù)據(jù)集，針對算法的特點選擇交
7、替訓練的方法，確定了具體的算法流程。并且選擇深度學習開源框架Caffe執(zhí)行此算法。其次，通過兩個預訓練模型分別對人體行為數(shù)據(jù)集初始化和提取特征，采用FasterR-CNN算法實驗。通過實驗對兩種模型的結果進行對比分析，發(fā)現(xiàn)深度學習模型的網(wǎng)絡越深，模型的結構越豐富，對人體行為中各類行為的識別效果就會越好。最后，根據(jù)以上的結論對算法進行了一定的改進，改進時主要考慮加入更深的模型ResNet，加入了使深層網(wǎng)絡更容易訓練的批量規(guī)范化算法和OHEM算法。并對此改進算法進行實驗驗證，驗證的分類和位置精度達到了80%以上，實驗結果表明改進的算法具有識
8、別精度高的特點。關鍵詞：人體行為；深度學習；卷積神經(jīng)網(wǎng)絡；FasterR-CNN帶格式的:段落間距段后:24磅,邊框:底端:(無框哈爾濱工程大學碩士學位論文線)帶格式的:段落間距段后:24磅,邊框:底端:(
