基于机器视觉的人体动作识别可以从大量的视频数据中识别出人体动作特征,相关研究成果已经给人们生活提供了便利。为了提高视频中人体动作的识别率,本文提出一种改进的深度网络模型对人体动作进行识别和研究,该模型利用稠密光流函数处理数据,采用改进二维卷积神经网络(2DCNN)、三维卷积神经网络(3DCNN)和长短期记忆神经网络(LSTM)三种网络级联模型提取人体动作特征信息,融合特征信息后,利用Softmax分类器识别出动作类别,本文主要研究工作如下:(1)利用稠密光流函数处理视频数据。利用稠密光流函数计算图像上所有的点的偏移量,形成一个稠密光流场,进行像素级别的图像配准。然后利用两套不同的属性参数,提取出flow＿x和flow＿y两套预处理数据分别进行存储,作为神经网络模型的输入。(2)设计基于改进3DCNN的人体动作识别模型。改进的模型分为两个通道同时训练,第一部分通道数据先输入到2DCNN,对单帧的图片进行特征提取和放大,然后按时间序列堆叠,输入到3DCNN,进一步提取出特征信息。另一通道数据将上述稠密光流函数提取的图像光流数据flow＿x和flow＿y作为3DCNN的输入提取出特征信息。然后将两部分通道分别提取的特征信息进行融合,将融合后的特征信息作为LSTM的输入进一步提取特征信息,最后利用Softmax进行分类实现人体动作识别。(3)KTH数据集验证。实验平台选用Py Torch框架,选取KTH数据集进行对比实验,包含6类人体动作,600个AVI视频的数据量。在同类模型对比方面,本课题搭建单CNN模型、单3DCNN模型、单LSTM模型及简单组合模型的网络结构在相同数据集下进行实验,对比实验结果表明:本文提出的方法在总体识别率、单情景数据集和单动作数据集识别率上均有所提高,动作识别效果更优。为后续扩展动作类型和识别场景的研究奠定了基础。