论文部分内容阅读
为解决传统人体行为识别算法存在的运动前景检测不准确、特征提取模糊以及训练识别耗时长等问题,本文提出了基于深度学习的人体行为识别研究方法。利用骨架提取方法对运动前景进行检测及特征提取;针对人体行为动作的时序性,提出了连续帧组合方法;在模型训练环节,对比了不同的网络模型参数,选择了最优的激活函数、优化算法以及dropout系数。最后,结合网络模型,分类识别测试样本集中的各种行为,并将识别的结果和当前流行的算法进行比较,通过对比实验,最终实验结果证明了本文所提方法优于其他方法,平均识别率相比其他方法有较大