基于行为周期动作的人体行为识别的研究的开题报告.docx

基于行为周期动作的人体行为识别的研究的开题报告
开题报告：基于行为周期动作的人体行为识别的研究
一、选题背景
随着计算机技术和智能化程度的不断提高，人机交互已成为热点研究领域之一。其中，人体行为识别技术的应用得到了极大的发展与推广，它可以应用于智能家居系统、安保监控系统、虚拟现实等领域，对于提高社会生产力以及生活质量有着重要的意义。但是现有的人体行为识别技术在实际应用中仍然存在较大的局限性，其中一个主要的原因就是对于行为变化较大的情况，人体行为的识别精度不高。因此，本研究将基于行为周期动作的人体行为识别方法，来解决目前人体行为识别技术的上述问题。
二、选题意义
人类的大多数活动是具有循环性的。在一些研究中，研究者发现人体在进行某些特定动作时，会不断重复相似的姿态，这些姿态构成了特定的行为周期，如走路、张嘴等，基于这些行为周期动作的人体识别方法可以极大地提高识别精度。与传统的基于动态特征的人体行为识别不同，基于行为周期动作的人体行为识别方法具有对动作周期的自适应性，在处理大量数据时，具有较好的鲁棒性，可以更加准确地描述人类行为中复杂多变的动作，为多种应用提供了广泛的突破口，具有十分重要的研究和应用价值。
三、研究内容和难点
1.研究内容
(1)针对人体姿态的行为周期建立方法，提取出行为周期动作，并对其进行建模，分析其周期性特征，为后续分类器提供有效特征。
(2)选择合适的分类器，将提取出的特征输入到分类器中进行人体行为识别。
(3)基于所选取的深度学习模型，尝试进一步提升算法精度，处理困难情况。
2.研究难点
(1)行为周期动作的提取：行为的周期性在不同的行为中表现的不太相同，如何准确提取出行为周期动作是关键。
(2)行为特征的提取：人体行为涉及到很多维度的特征，如何有效地提取出有区分度的特征是本研究中的难点。
(3)算法精度的提升：在实际运用中，算法需要对各种数据进行适应性学习和模型的修正，因此，如何提高算法的精度是研究的重点，如何获得大量数据也是该研究的关键。
四、研究方法
1.行为周期动作的提取
在本研究中，我们将采用Stitching-based方法抽取周期性的动作，该方法将连续相似的动作拼接为一个周期性的行为，然后针对这个周期性行为做特征提取。
2.行为特征的提取
我们在提取特征时采用了CNN（卷积神经网络）方法，将特征输入到训练好的网络中，在派生阶段使用SVM算法进行分类。
3.算法精度的提升
我们将针对算法的缺点，进一步发掘神经网络模型的特性，以改进网络顶部的完全连接层，并增加数据集中数量和类型的样本来提高算法的鲁棒性。
五、预期成果
本研究将提出一种新的基于行为周期动作的人体行为识别方法，该算法能够在实际应用中达到较好的识别精度。在算法实践中，我们将收集大量数据，并训练大规模分类器以优化算法性能。这一研究成果将为智能家居系统、卫生监测系统、虚拟现实等领域提供有力的支撑和推动。