动作识别目前已经广泛应用于视频监控、机器人学、游戏交互等各个领域。视频监控可以远程确定人或环境的安全,其中使用环境为家庭时,更是可以对家中的老年人进行摔倒动作识别并及时报警救援,避免危险的进一步发生。本文通过两种方式建立脉冲神经网络,对人体摔倒动作进行识别。首先,建立人体动作的骨骼运动模型。一般来说,人体可以被看作是一个由刚性骨架和关节铰链组成的系统,而人体动作则可以被表示为人体骨骼的运动。运动中通过深度传感器Kinect可以得到可靠的人体骨骼关节节点坐标,再将人体骨架节点的X、Y、Z位置分量等价于图像像素的R、G、B分量,从而将人体骨架序列转换为二维图像。然后,建立了一个基于无监督学习的脉冲神经网络。脉冲神经网络比传统神经网络更具有生物学合理性,该网络使用了LIF(leaky-integrate-and-fire)神经元模型、STDP(spike-timing-dependent plasticity)算法、侧抑制和固有塑性机制。该脉冲神经网络可分为输入层、兴奋层和抑制层三层,输入图像以泊松分布脉冲序列的形式传递给该模型。其次,为了检测上述脉冲神经网络识别人体摔倒动作的准确性,建立了一个摔倒动作数据集。数据集中包含了走路、读书、坐下等日常动作和摔倒动作。将人体动作转化为对应二维图像后,通过在此数据集上的实验证明了该无监督学习脉冲神经网络识别摔倒动作的有效性。最后,建立了一个卷积神经网络并将其转换成脉冲神经网络。使用的数据集依然为自建的摔倒动作数据集,将数据集中动作转化为28?28的二维图片后,根据输入图片大小建立了一个轻量级卷积神经网络。依据脉冲神经网络神经元激发率与原神经网络神经元的激活级别相匹配的原则,直接将该卷积神经网络转化为脉冲神经网络,并在摔倒动作数据集上进行实验,证明了卷积神经网络转化成的脉冲神经网络的可行性。