人体行为识别在人工智能领域有着广泛的应用,并逐渐应用于日常生活中。本文使用激光雷达作为行为识别的硬件设备,采集人体行为的点云图像。本文将人体行为分为姿态和动作两个大的类别,分别采集数据进行行为识别。虽然卷积神经网络存在训练时间久、硬件开销大等缺点,但其性能优越,广泛应用于语音识别、图像识别、目标检测等各个领域。本文通过对国内外关于行为识别技术的分析和研究,使用卷积神经网络,实现基于激光雷达的人体行为识别。本文主要工作如下:针对激光雷达人体姿态识别中,卷积神经网络模型复杂度高、训练开销大的问题,本文提出了一种基于改进Efficient Net的人体姿态识别模型。首先对该模型进行简单概述,其次对Efficient Net模型架构进行分析,从整体结构和激活函数两个方面对Efficient Net进行改进,提高模型识别效率。本文所用数据集相比于Image Net数据集在规模上小很多,使用小规模数据集对神经网络进行训练时,Efficient Net模型过于复杂;通过大量实验,在模型准确率未下降的前提下,减少该模型中主要模块的数量,从深度上对Efficient Net进行精简。Efficient Net调整后,网络层数减少,Swish激活函数不再具有优势;本文使用Leaky Re LU激活函数取代Swish激活函数,实验证明,Leaky Re LU激活函数在深度较浅的网络中效果更优。针对激光雷达人体动作识别中,3000ms点云图空洞和噪声过多、人体动作特征难以提取的问题,本文首先通过形态学闭运算,选择合适的结构元,对点云图中的大面积空洞进行填充;其次使用迭代引导滤波算法,去除点云图中的噪声和非必要的小结构,保留人体动作边缘特征的同时,去除图像中无关的冗余信息;接着使用Canny边缘检测算法手动提取人体动作的边缘特征信息,空洞和噪声的去除为边缘检测提供了条件,否则大量空洞和噪声都会被误认为边缘信息,影响特征提取的效率;最后将手动特征提取与深度学习中的自动特征提取相结合,使用处理过的单通道图像对改进的Efficienct Net进行训练,有效的提高了动作识别的准确率,并节约一定的训练时间。在姿态和动作识别方法的基础上,设计和实现了一个基于激光雷达的人体行为识别原型系统,详细的描述了系统的框架和人体行为识别的具体流程,并且对系统不同模块的功能进行详细的分析和说明;最后,对人体行为识别系统的性能进行测试,并且通过简洁友好的可视化操作界面,对系统的识别结果进行直观的展示,证明本文人体行为识别模型和系统的可行性。