基于改进深度学习模型C-GRBM的人体行为识别

为了提高复杂视频中人体行为识别的性能,在Gate限制玻尔兹曼机(gate restricted boltzmann machine,GRBM)模型基础上提出一种结合卷积神经网络的Convolutional-GRBM(C-GRBM)模型。利用视频图像平稳性的特点,通过不同的卷积核提取可见层不同的特征,提高模型局部特征提取能力,进而得到更好的人体行为识别率;加入池化操作,对卷积层输出的不同位置上的特征进行聚合统计,降低卷积层输出特征量的维度,从而解决原模型参数过多、容易过拟合等缺陷,进而降低人体行为识别复杂度。在人体行为测试库上的测试表明,本文提出的CGRBM模型能够较好地提高人体行为识别性能。

结合CNN的人体行为识别特征特取模型的改进

人体行为识别是计算机视觉研究的一个热点,其目标是从一个未知的视频或者是图像序列中自动分析其中正在进行的行为。针对目前人体行为识别过程中特征提取仍旧存在的参数过多、特征提取效果不好等缺陷,本文在RBM模型的基础上提出一种结合卷积神经网络的特征提取模型,在人体行为测试库上的测试表明,本文提出的卷积条件限制玻尔兹曼模型能在人体行为识别的准确度上优于RBM模型。