基于超限学习机的深度网络时间分组行为识别

• 作者: 裴永强 王家伟 汤雪芹
• 来源期刊: 吉林大学学报（信息科学版）
• 学科: 工学
• 关键词: 正则化 超限学习机 深度网络 行为识别
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 计算机科学与技术
• 页码范围: 702-708
• 页数: 7页
• 分类号: TP352
• 语种: 中文

摘要

为准确识别视频目标个体完整行为动作序列,增强视频行为识别精度,提出一种基于超限学习机的深度网络时间分组行为识别方法.首先按照人体行为关键姿态个数明确行为识别模型的状态数量,建立人体运动行为多尺度结构关联,把运动轨迹及边缘轮廓小波矩的不同尺度特征引入行为模型中,获取人体运动行为概略特征;其次利用视频分组稀疏抽样法,将视频分割成等时长分组,运用标准反向传播法优化模型参数,实现低成本视频级时间建模,并确保建模过程信息完整性;最后根据隐含层激活函数输出及对应输出层权重系数,得到灵敏度解析式,按照灵敏度参数对隐含节点进行排序,删除次要节点,实现深度网络时间分组行为的精准识别.仿真实验结果表明,该方法具备较高水准的识别精度,且耗时少,拥有极强的鲁棒性.