留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度学习的人体行为识别

樊恒 徐俊 邓勇 向金海

樊恒, 徐俊, 邓勇, 向金海. 基于深度学习的人体行为识别[J]. 武汉大学学报 ● 信息科学版, 2016, 41(4): 492-497. doi: 10.13203/j.whugis20140110
引用本文: 樊恒, 徐俊, 邓勇, 向金海. 基于深度学习的人体行为识别[J]. 武汉大学学报 ● 信息科学版, 2016, 41(4): 492-497. doi: 10.13203/j.whugis20140110
FAN Heng, XU Jun, DENG Yong, XIANG Jinhai. Behavior Recognition of Human Based on Deep Learning[J]. Geomatics and Information Science of Wuhan University, 2016, 41(4): 492-497. doi: 10.13203/j.whugis20140110
Citation: FAN Heng, XU Jun, DENG Yong, XIANG Jinhai. Behavior Recognition of Human Based on Deep Learning[J]. Geomatics and Information Science of Wuhan University, 2016, 41(4): 492-497. doi: 10.13203/j.whugis20140110

基于深度学习的人体行为识别

doi: 10.13203/j.whugis20140110
基金项目: 国家自然科学基金(11204099);中央高校基本科研业务费专项资金(2014BQ083)。
详细信息
    作者简介:

    樊恒,硕士生,主要研究方向为计算机视觉、机器学习和人工智能。hfan@webmail.hzau.edu.cn

    通讯作者: 向金海,博士。jimmy_xiang@mail.hzau.edu.cn
  • 中图分类号: TP391

Behavior Recognition of Human Based on Deep Learning

Funds: The National Natural Science Foundation of China, No.11204099; Fundamental Research Funds for the Central Universities, No.2014BQ083.
  • 摘要: 为了识别公共区域等特定场所下的人体行为,提出了一种基于深度学习的人体行为识别方法。首先,预处理训练样本集和测试样本集中的所有图像,通过高斯混合模型提取出目标运动前景。其次,对训练样本集中各种目标行为建立样本库,定义不同类别的识别行为作为先验知识,用于训练深度学习网络。最后,结合深度学习所得到的网络模型,分类识别测试样本集中的各种行为,并将识别的结果和当前流行方法进行了比较。实验结果表明,该人体行为识别方法优于其它方法,平均识别率相比其他方法有较大的提高。
  • [1] Niu F, Abdel-Mottaleb M. HMM-based Segmentation and Recognition of Human Activities from Video Sequences[C]. IEEE International Conference on Multimedia and Expo, Amsterdam, Netherlands, 2005
    [2] Zhou Hanning, Kimber D. Unusual Event Detection via Multi-Camera Video Mining[C]. 18th International Conference on Pattern Recognition, Hong Kong, China, 2006
    [3] Wu Xinyu, Ou Yongsheng, Qian Huihuan, et al. A Detection System for Human Abnormal Behavior[C]. 2005 IEEE/RSJ International Conference on Intelligent Robots and Systems, Beijing, China, 2005
    [4] Chen Yufeng, Liang Guoyuan, Lee K K, et al. Abnormal Behavior Detection by Multi-SVM-based Bayesian Network[C]. International Conference on Information Acquisition, Guangzhou, China, 2007
    [5] Wei Xiaoli,Shen Weiming. Gabor-MRF Model Based on Color Texture Image Segmentation[J]. Geomatics and Information Science of Wuhan University, 2010, 35(8):955-958(魏小莉,沈未名. 一种基于马尔科夫随机场模型的彩色纹理图像分割[J]. 武汉大学学报·信息科学版, 2010, 35(8):955-958)
    [6] Yang Lujing,Wang Deshi,Li Yu. A SAR Image Shadow Modeling and Classification Method Based on HMM and Chain Code[J]. Geomatics and Information Science of Wuhan University, 2010, 35(2):215-218(杨露菁,王德石,李煜. 利用边界链编码和HMM进行SAR图像阴影建模和分类[J]. 武汉大学学报·信息科学版, 2010, 35(2):215-218)
    [7] Cai D, He X, Han J. Using Graph Model for Face Analysis[OL]. http://www.cad.zju.edu.cn/home/dengcai/Publication/TR/UIUCDCS-R-2005-2636.pdf, 2005
    [8] Kosmopoulos D I, Voulodimos A S, Varvarigou T A. Behavior Recognition from Multiple Views Using Fused Hidden Markov Models[M]. Berlin:Springer-Verlag, 2010
    [9] Zhang Fan, Guo Li, Lu Haixian, et al. Star Skeleton for Human Behavior Recognition[C]. IEEE International Conference on Audio, Language and Image Processing, Shanghai, China,2012
    [10] Meng Y, Jin Y, Yin J. Modeling Activity-dependent Plasticity in Bcm Spiking Neural Networks with Application to Human Behavior Recognition[J]. IEEE Transactions on Neural Networks, 2011, 22(12):1952-1966
    [11] Dollár P, Rabaud V, Cottrell G, et al. Behavior Recognition via Sparse Spatio-temporal Features[C]. IEEE International Workshop on Joint, Beijing, 2005
    [12] Hinton G E, Salakhutdinov R R. Reducing the Dimensionality of Data with Neural Networks[J]. Science, 2006, 313(5786):504-507
    [13] Baccouche M, Mamalet F, Wolt C, et al. Sequential Deep Learning for Human Action Recognition[M]//Human Behavior Understanding, Berlin:Springer-Verlag, 2011:29-39
    [14] Abdi J, Nekoui M A. Determined Prediction of Nonlinear Time Series via Emotion Temporal Difference Learning[C]. Control and Decision Conference, Yantai, China, 2008
    [15] Ning Huazhong, Xu Wei, Zhou Yue, et al. Temporal Difference Learning to Detect Unsafe System States[C]. IEEE International Conference on pattern Recognition, Tampa, USA, 2008
    [16] Chen C C, Aggarwal J K. An Adaptive Background Model Initialization Algorithm with Objects Moving At Different Depths[C]. IEEE International Conference on Image Processing, San Diego, USA, 2008
    [17] Stauffer C, Grimson W E L. Adaptive Background Mixture Model for Real-time Tracking[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Seattle, Washington, USA, 1999
    [18] Hinton G E, Osindero S, Teh Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation, 2006, 18(7):1527-1554
    [19] Hinton G E, Dayan P, Frey B J, et al. The "Wake-sleep" Algorithm for Unsupervised Neural Networks[J]. Science, 1995, 268:1158-1161
    [20] Fathi A, Mori G. Action Recognition by Learning Mid-level Motion Features[C]. IEEE International Conference on Computer Vision and Pattern Recognition, Anchorage, USA, 2008
    [21] Gilbert A, Illingworth J, Bowden R. Fast Realistic Multi-Action Recognition Using Mined Dense Spatio-Temporal Features[C]. IEEE International Conference on Computer Vision, Kyoto, Japan, 2009
    [22] Bregonzio M, Gong S, Xiang T. Recognising Action as Clouds of Space-time Interest Points[C]. IEEE International Conference on Computer Vision and Pattern Recognition, Miami, USA, 2009
    [23] Laptev I, Marszalek M, Schmid C, et al. Learning Realistic Human Actions from Movies[C]. IEEE International Conference on Computer Vision and Pattern Recognition, Anchorage, USA, 2008
  • [1] 李星华, 白学辰, 李正军, 左芝勇.  面向高分影像建筑物提取的多层次特征融合网络 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1236-1244. doi: 10.13203/j.whugis20210506
    [2] 高奎亮, 余旭初, 张鹏强, 谭熊, 刘冰.  利用胶囊网络实现高光谱影像空谱联合分类 . 武汉大学学报 ● 信息科学版, 2022, 47(3): 428-437. doi: 10.13203/j.whugis20200008
    [3] 赵之若, 王少宇, 王心宇, 钟燕飞.  一种改进的火星车多光谱影像深度新颖目标探测方法 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1328-1335. doi: 10.13203/j.whugis20220119
    [4] 郭从洲, 李可, 李贺, 童晓冲, 王习文.  遥感图像质量等级分类的深度卷积神经网络方法 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1279-1286. doi: 10.13203/j.whugis20200292
    [5] 李彦胜, 张永军.  耦合知识图谱和深度学习的新一代遥感影像解译范式 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1176-1190. doi: 10.13203/j.whugis20210652
    [6] 林学楷, 许才军.  深度学习驱动的地震目录构建:PhaseNet和EqT模型的对比与评估 . 武汉大学学报 ● 信息科学版, 2022, 47(6): 855-865. doi: 10.13203/j.whugis20220197
    [7] 张宇, 江鹏, 郭文飞, 张丹, 韩震.  一种利用两阶段学习模型的水下阵列定位方法 . 武汉大学学报 ● 信息科学版, 2021, 46(12): 1889-1899. doi: 10.13203/j.whugis20210466
    [8] 陆川伟, 孙群, 赵云鹏, 孙士杰, 马京振, 程绵绵, 李元復.  一种基于条件生成式对抗网络的道路提取方法 . 武汉大学学报 ● 信息科学版, 2021, 46(6): 807-815. doi: 10.13203/j.whugis20190159
    [9] 陈行, 罗斌.  利用动态上采样滤波深度网络进行多角度遥感影像超分辨率重建 . 武汉大学学报 ● 信息科学版, 2021, 46(11): 1716-1726. doi: 10.13203/j.whugis20200651
    [10] 季顺平, 罗冲, 刘瑾.  基于深度学习的立体影像密集匹配方法综述 . 武汉大学学报 ● 信息科学版, 2021, 46(2): 193-202. doi: 10.13203/j.whugis20200620
    [11] 季顺平, 田思琦, 张驰.  利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测 . 武汉大学学报 ● 信息科学版, 2020, 45(2): 233-241. doi: 10.13203/j.whugis20180481
    [12] 周于涛, 吴华意, 成洪权, 郑杰, 李学锡.  结合自注意力机制和结伴行为特征的行人轨迹预测模型 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1989-1996. doi: 10.13203/j.whugis20200159
    [13] 郭旦怀, 张鸣珂, 贾楠, 王彦棡.  融合深度学习技术的用户兴趣点推荐研究综述 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1890-1902. doi: 10.13203/j.whugis20200334
    [14] 巨袁臻, 许强, 金时超, 李为乐, 董秀军, 郭庆华.  使用深度学习方法实现黄土滑坡自动识别 . 武汉大学学报 ● 信息科学版, 2020, 45(11): 1747-1755. doi: 10.13203/j.whugis20200132
    [15] 徐江河, 张飞舟, 张立福, 邓楚博, 孙雪剑.  一种综合利用图像和光谱信息的物体真假模式识别方法 . 武汉大学学报 ● 信息科学版, 2019, 44(8): 1174-1181. doi: 10.13203/j.whugis20190139
    [16] 潘银, 邵振峰, 程涛, 贺蔚.  利用深度学习模型进行城市内涝影响分析 . 武汉大学学报 ● 信息科学版, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217
    [17] 郭越, 王晓峰, 张恒振.  基于人类感知的SAR图像海上溢油检测算法 . 武汉大学学报 ● 信息科学版, 2016, 41(3): 395-401,407. doi: 10.13203/j.whugis20140404
    [18] 瞿涛, 邓德祥, 刘慧, 邹炼, 刘弋锋.  多层独立子空间分析时空特征的人体行为识别方法 . 武汉大学学报 ● 信息科学版, 2016, 41(4): 468-474. doi: 10.13203/j.whugis20140581
    [19] 肖力炀, 李伟, 袁博, 崔逸群, 高荣, 王文庆.  一种改进型Mask R-CNN模型的路面裂缝识别方法 . 武汉大学学报 ● 信息科学版, 0, 0(0): -. doi: 10.13203/j.whugis20210279
    [20] 姜万冬, 席江波, 李振洪, 丁明涛, 杨立功, 谢大帅.  模拟困难样本的Mask R-CNN滑坡分割识别 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200692
  • 加载中
计量
  • 文章访问数:  2448
  • HTML全文浏览量:  86
  • PDF下载量:  1689
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-06-22
  • 刊出日期:  2016-04-05

基于深度学习的人体行为识别

doi: 10.13203/j.whugis20140110
    基金项目:  国家自然科学基金(11204099);中央高校基本科研业务费专项资金(2014BQ083)。
    作者简介:

    樊恒,硕士生,主要研究方向为计算机视觉、机器学习和人工智能。hfan@webmail.hzau.edu.cn

    通讯作者: 向金海,博士。jimmy_xiang@mail.hzau.edu.cn
  • 中图分类号: TP391

摘要: 为了识别公共区域等特定场所下的人体行为,提出了一种基于深度学习的人体行为识别方法。首先,预处理训练样本集和测试样本集中的所有图像,通过高斯混合模型提取出目标运动前景。其次,对训练样本集中各种目标行为建立样本库,定义不同类别的识别行为作为先验知识,用于训练深度学习网络。最后,结合深度学习所得到的网络模型,分类识别测试样本集中的各种行为,并将识别的结果和当前流行方法进行了比较。实验结果表明,该人体行为识别方法优于其它方法,平均识别率相比其他方法有较大的提高。

English Abstract

樊恒, 徐俊, 邓勇, 向金海. 基于深度学习的人体行为识别[J]. 武汉大学学报 ● 信息科学版, 2016, 41(4): 492-497. doi: 10.13203/j.whugis20140110
引用本文: 樊恒, 徐俊, 邓勇, 向金海. 基于深度学习的人体行为识别[J]. 武汉大学学报 ● 信息科学版, 2016, 41(4): 492-497. doi: 10.13203/j.whugis20140110
FAN Heng, XU Jun, DENG Yong, XIANG Jinhai. Behavior Recognition of Human Based on Deep Learning[J]. Geomatics and Information Science of Wuhan University, 2016, 41(4): 492-497. doi: 10.13203/j.whugis20140110
Citation: FAN Heng, XU Jun, DENG Yong, XIANG Jinhai. Behavior Recognition of Human Based on Deep Learning[J]. Geomatics and Information Science of Wuhan University, 2016, 41(4): 492-497. doi: 10.13203/j.whugis20140110
参考文献 (23)

目录

    /

    返回文章
    返回