论文部分内容阅读
近年来,随着计算机技术的不断发展,智能监控已广泛应用于日常生活中的各个领域。其广泛的应用场景和巨大的应用价值使得行为识别在计算机视觉领域成为了一个热点研究课题,而相关技术的发展仍有较大的提升空间。行为识别方法主要分为基于人工设计特征的方法和基于深度学习特征的方法两类。由于传统人工特征提取的行为识别存在效率低、局限性强的问题,所以基于深度学习的卷积神经网络算法以其自学习模式特征的特点取得了科研人员的关注。相比于传统方法,基于深度学习的人体行为识别准确率和效率都得到了很大的提升。本文在3D卷积神经网络的基础上,以模式识别、机器学习等理论为基础展开研究。首先,利用置信规则库(BRB)方法对超参数进行评估,这里的超参数是指开始学习过程之前设置的参数,而不是通过训练得到的参数数据。如学习率、批样本数量、卷积核数量等。然后,利用粒子群优化算法(PSO)对3D卷积神经网络的超参数进行优化。旨在改进3D卷积神经网络,节省深度学习模型训练的时间,提高行为识别的效果,改善算法的鲁棒性。本文主要的研究内容和贡献如下:1)基于3D卷积神经网络,针对深度学习训练时间长,提出了一种基于BRB的超参数评估方法。BRB模型使用定性知识来建立初始信念规则,并使用定量知识数据优化BRB模型的初始参数,这样该参数可以有效利用各种类型的不确定性信息。实验结果表明BRB模型与真实值非常接近,即此模型与3D卷积神经网络模型达到了拟合,同时取得了较高的评估准确率,验证了此模型的有效性。2)为了寻找最优初始参数值,本文采用粒子群优化算法对3D卷积神经网络的超参数进行优化。在优化过程中随机产生超参数,然后把超参数作为BRB模型的输入,评估模型作为适应度函数,输出理想的超参数。此方法相较于以3D卷积模型为目标优化函数,节省了大量的时间。最后用得到的参数值在3D卷积模型上进行了验证,实验结果表明,该方法提高了3D卷积模型行为识别的效率及分类效果。