摘要: 近些年来，视频获取设备迅速普及，互联网技术迅速壮大，视频信息量按几何级数增长，为人工对这些数据进行分析带来了很大的挑战。即使投入大量的人力和物力对海量视频信息进行分析，但由于人们自身的弱点，漏检错检的情况也时而可见。因此，研究一个... 展开 近些年来，视频获取设备迅速普及，互联网技术迅速壮大，视频信息量按几何级数增长，为人工对这些数据进行分析带来了很大的挑战。即使投入大量的人力和物力对海量视频信息进行分析，但由于人们自身的弱点，漏检错检的情况也时而可见。因此，研究一个智能模型实现自动分析和识别人体行为至关重要。本文针对深度学习存在的不足，分别提出基于骨架关节点和LSTM的双层双向Seq2Seq行为识别算法（SB2_Seq2Seq），以及基于骨架关节点和深度强化学习算法的人体行为识别方法(SDRL)。 随着计算机视觉和深度学习的发展，利用深度学习进行人体行为识别的方法已经应用于众多领域，例如智能监控，智能家居和医疗诊断等等。深度学习由于强大的感知能力为人体行为识别带来长足进步，卷积神经网络(CNN)在图像识别方面达到了很好的性能，但是缺乏决策能力，并且卷积神经网络对时序数据方面的分析和识别率较低，而长短期记忆网络（LSTM）虽然能够解决对时序数据的分析，但是不能很好地理解序列数据中的上下文信息。本文具体研究内容包含以下两点： 1.针对卷积神经网络对时序数据的分析和识别率较低以及长短期记忆网络无法很好理解序列数据上下文信息的问题，提出基于骨架和LSTM的双层双向Seq2Seq行为识别模型（SB2_Seq2Seq），将视频中提取的人体行为骨架点图输入到SB2_Seq2Seq模型中进行训练。同时，搭建3种不同结构的Seq2Seq模型进行对比实验，并且和传统的深度学习算法进行对比分析。 2.针对深度学习缺乏决策能力这一缺点，提出基于骨架点和深度强化学习算法的人体行为识别模型。首先，该方法将人体行为视频分割成帧，并对视频帧进行骨架图提取。其次，将得到的骨架图输入到深度强化学习模型中训练，环境会给模型一个反馈信号作为奖励或者惩罚，模型通过和环境交互来不断的试错以提高得分，当最后的得分达到收敛后，即找到能够精准识别人体行为的最佳模型。最后，该模型在UCF50数据集和UCF数据集上与其他传统人体行为识别算法进行对比实验分析。 收起