基于局部时空特征的人体行为切分与识别方法若干关键技术研究的中期报告.docx

基于局部时空特征的人体行为切分与识别方法若干关键技术研究的中期报告
一、研究背景
近年来，人体行为切分与识别技术在视频监控、智能交通、智能家居等领域得到了广泛应用。人体行为切分与识别技术是指根据视频中人体的动作行为，对其进行分类识别的过程，通常包括三个部分：人体姿态估计、行为切分和行为识别。
传统的人体行为切分与识别方法主要基于手工特征提取和分类器学习的方式。这种方法需要大量的专业知识和经验，而且面临着特征不鲁棒、分类器泛化能力差等问题。近年来，随着深度学习技术的兴起，越来越多的研究者开始使用深度学习技术进行人体行为切分与识别，获得了显著的效果提升。但是，由于视频数据的时序性、局部特征的重要性以及动作的多样性等问题，基于深度学习的人体行为切分与识别仍面临着许多挑战。
为了解决这些问题，本文将研究基于局部时空特征的人体行为切分与识别方法。
二、研究内容和方法
本文将研究基于局部时空特征的人体行为切分与识别方法，主要包括以下内容：
1.局部时空特征提取方法
本文将综合使用卷积神经网络和循环神经网络，在视频序列中提取局部时空特征。具体方法是在时空卷积网络的基础上，利用循环神经网络对时间序列上的特征进行处理，以便更好地捕获人体行为的时序信息。
2.局部时空特征融合方法
为了充分利用各个局部时空特征之间的相关性，本文将研究局部时空特征融合方法。具体方法是将不同尺度的特征融合在一起，在保持局部性的同时提高特征的丰富性和鲁棒性。
3.基于时序分类器的人体行为切分与识别方法
为了实现人体行为的切分和识别，本文将研究基于时序分类器的人体行为切分与识别方法。具体方法是使用卷积神经网络对视频序列中的每一帧进行分类，然后将分类结果按时间顺序组合成一个时序序列，并使用循环神经网络对时序序列进行分类。
三、预期成果
本文的预期成果包括以下几个方面：
1.设计和实现基于局部时空特征的人体行为切分与识别方法。
2.针对传统方法中特征不鲁棒、分类器泛化能力差等问题，提出一种更优秀的算法，并进行实验验证。
3.对比实验表明，本文提出的算法能够取得更好的识别效果。
四、研究计划
本文的研究计划如下：
1.前期阶段（已完成）
（1）相关文献调研和综述；
（2）数据集收集和预处理；
（3）基于卷积神经网络和循环神经网络的局部时空特征提取方法的实现和初步验证。
2.中期阶段（正在进行）
（1）局部时空特征融合方法的研究和实现；
（2）基于时序分类器的人体行为切分与识别方法的研究和实现；
（3）实验验证并对比实验。
3.后期阶段
（1）算法的改进和优化；
（2）模型的调优和实现；
（3）论文撰写和投稿。
五、参考文献
[1]FeichtenhoferC,FanH,MalikJ,etal.Slowfastnetworksforvideorecognition[C]//ProceedingsoftheIEEEinternationalconferenceoncomputervision.2019:6202-6211.
[2]WangL,QiaoY,TangX.Actionrecognitionwithtrajectory-pooleddeep-convolutionaldescriptors[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2015:4305-4314.
[3]TranD,BourdevL,FergusR,etal.Learningspatiotemporalfeatureswith3dconvolutionalnetworks[C]//ProceedingsoftheIEEEinternationalconferenceoncomputervision.2015:4489-4497.