基于卷积长短时记忆网络的人体行为识别研究

• 作者: 孙彦玺 赵婉婉 武东辉 陈继斌 仇森
• 来源期刊: 计算机工程
• 关键词: 人体行为识别 深度学习 卷积神经网络 长短时记忆网络 模式识别 可穿戴传感器
• 年，卷（期）: 2021,（10）
• 所属期刊栏目: 开发研究与工程应用|Development Research and Engineering Application
• 页码范围: 260-268
• 页数: 9页
• 分类号: TP391
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0060938

摘要

人体行为识别利用深度学习网络模型自动提取数据的深层特征,但传统机器学习算法存在依赖手工特征提取、模型泛化能力差等问题.提出基于空时特征融合的深度学习模型(CLT-net)用于人体行为识别.采用卷积神经网络(CNN)自动提取人体行为数据的深层次隐含特征,利用长短时记忆(LSTM)网络构建时间序列模型,学习人体行为特征在时间序列上的长期依赖关系.在此基础上,通过softmax分类器实现对不同人体行为分类.在DaLiAc数据集的实验结果表明,相比CNN、LSTM、BP模型,CLT-net模型对13种人体行为的总体识别率达到了97.6％,具有较优的人体行为识别分类性能.