基于改进的深度卷积神经网络的人体动作识别方法

摘要：

针对现有的动作识别算法的特征提取复杂、识别率低等问题,提出了基于批归一化变换(batch normalization)与GoogLeNet网络模型相结合的网络结构,将图像分类领域的批归一化思想应用到动作识别领域中进行训练算法改进,实现了对视频动作训练样本的网络输入进行微批量(mini-batch)归一化处理.该方法以RGB图像作为空间网络的输入,光流场作为时间网络输入,然后融合时空网络得到最终动作识别结果.在UCFI01和HMDB51数据集上进行实验,分别取得了93.50％和68.32％的准确率.实验结果表明,改进的网络架构在视频人体动作识别问题上具有较高的识别准确率.

关键词：动作识别、批归一化、深度学习、卷积神经网络

所属期刊栏目：36

分类号：TP391.4(计算技术、计算机技术)

资助基金：四川省教育厅重点科研项目2017Z026

在线出版日期：2019-06-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：945-949,953