面向智能监控的行为识别
目的 为了进一步提高智能监控场景下行为识别的准确率和时间效率,提出了一种基于YOLO(you only look once:unified,real-time object detection)并结合LSTM(long short-term memory)和CNN(convolutional neural network)的人体行为识别算法LC-YOLO(LSTM and CNN based on YOLO).方法 利用YOLO目标检测的实时性,首先对监控视频中的特定行为进行即时检测,获取目标大小、位置等信息后进行深度特征提取;然后,去除图像中无关区域的噪声数据;最后,结合LSTM建模处理时间序列,对监控视频中的行为动作序列做出最终的行为判别.结果 在公开行为识别数据集KTH和MSR中的实验表明,各行为平均识别率达到了96.6%,平均识别速度达到215 ms,本文方法 在智能监控的行为识别上具有较好效果.结论 提出了一种行为识别算法,实验结果 表明算法有效提高了行为识别的实时性和准确率,在实时性要求较高和场景复杂的智能监控中有较好的适应性和广泛的应用前景.
行为识别、目标检测、深度学习、卷积神经网络、循环神经网络
24
TP311(计算技术、计算机技术)
国家自然科学基金项目61702020;北京市自然科学基金项目4172013
2019-04-29(万方平台首次上网日期,不代表论文的发表时间)
共9页
282-290