人体行为识别研究综述

• 作者: 裴利沈 刘少博 赵雪专
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 人体行为识别 深度学习 神经网络 行为数据集
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 综述·探索|Surveys and Frontiers
• 页码范围: 305-322
• 页数: 18页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.2106055

摘要

行为识别是计算机视觉领域意义重大的热点研究问题,它经历了从手工设计特征表征到深度学习特征表达的发展过程.从传统行为识别模型和深度学习模型两方面,对行为识别发展历程中产生的主流算法进行了归类梳理.传统行为识别模型主要包括基于轮廓剪影、时空兴趣点、人体关节点、运动轨迹的特征描述方法.其中改进的密集轨迹方式拥有良好的鲁棒性和可靠性;深度学习网络架构主要有双流网络、3D卷积网络和混合网络.首先,重点阐述了各行为识别算法的主要研究思路与创新点,并介绍了每类算法的模型架构、算法特色、适用情境等.然后,对广泛使用的公共行为数据库进行了分类阐述,着重对HMDB51和UCF101数据集进行了详细介绍,比较分析了传统方法和深度学习算法在各数据集上的识别效果.通过对比分析发现,传统方法不适用于高精细行为的识别,且不易实现跨数据库或跨场景的推广;深度架构中,双流网络和3D卷积网络获得了比较好的行为识别效果且被广泛使用.最后,对行为识别的未来发展进行了展望,指出了若干将来可行的研究方向.