基于卷积长短时记忆网络的人体行为识别研究

摘要：

人体行为识别利用深度学习网络模型自动提取数据的深层特征,但传统机器学习算法存在依赖手工特征提取、模型泛化能力差等问题.提出基于空时特征融合的深度学习模型(CLT-net)用于人体行为识别.采用卷积神经网络(CNN)自动提取人体行为数据的深层次隐含特征,利用长短时记忆(LSTM)网络构建时间序列模型,学习人体行为特征在时间序列上的长期依赖关系.在此基础上,通过softmax分类器实现对不同人体行为分类.在DaLiAc数据集的实验结果表明,相比CNN、LSTM、BP模型,CLT-net模型对13种人体行为的总体识别率达到了97.6％,具有较优的人体行为识别分类性能.

关键词：人体行为识别;深度学习;卷积神经网络;长短时记忆网络;模式识别;可穿戴传感器

所属期刊栏目：47

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金青年科学基金项目;河南省科技攻关项目;河南省高等学校重点科研项目;郑州轻工业大学青年骨干项目;郑州轻工业大学博士科研项目

在线出版日期：2021-10-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：260-268