基于深度学习的人体行为识别算法综述
人体行为识别和深度学习理论是智能视频分析领域的研究热点,近年来得到了学术界及工程界的广泛重视,是智能视频分析与理解、视频监控、人机交互等诸多领域的理论基础。近年来,被广泛关注的深度学习算法已经被成功运用于语音识别、图形识别等各个领域。深度学习理论在静态图像特征提取上取得了卓著成就,并逐步推广至具有时间序列的视频行为识别研究中。本文在回顾了基于时空兴趣点等传统行为识别方法的基础上,对近年来提出的基于不同深度学习框架的人体行为识别新进展进行了逐一介绍和总结分析;包括卷积神经网络(Convolution neural network, CNN)、独立子空间分析(Independent subspace analysis, ISA)、限制玻尔兹曼机(Restricted Boltzmann machine, RBM)以及递归神经网络(Recurrent neural network, RNN)及其在行为识别中的模型建立,对模型性能、成果进展及各类方法的优缺点进行了分析和总结。
行为识别、深度学习、卷积神经网络、限制玻尔兹曼机
42
TP3;TN9
国家自然科学基金61370174,61271349;中央高校基本科研业务费专项资金WH1214015资助Supported by National Natural Science Foundation of China61370174,61271349;the Fundamental Research Funds for the Central UniversitiesWH1214015
2016-07-21(万方平台首次上网日期,不代表论文的发表时间)
共10页
848-857