[发明专利]一种基于深度学习的行为识别技术方法在审
| 申请号： | 201910413528.4 | 申请日： | 2019-05-17 |
| 公开（公告）号： | CN110188637A | 公开（公告）日： | 2019-08-30 |
| 发明（设计）人： | 来兴雪;陈颖 | 申请（专利权）人： | 西安电子科技大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G06N3/04 |
| 代理公司： | 郑州芝麻知识产权代理事务所(普通合伙) 41173 | 代理人： | 董晓勇 |
| 地址： | 710000 陕西省西安市雁*** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的行为识别技术方法，克服了现有技术中视频监控系统智能化有待提高的问题。该发明含有以下步骤，采用双流卷积神经网络和GRU网络相结合的方式搭建更深层次的时空双流CNN‑GRU神经网络模型；提取视频的时间域和空间域特征；根据GRU网络能记忆信息的能力，提取时空特征序列的长时间序列化特征，利用softmax分类器进行视频的行为识别；提出新的基于相关熵的损失函数；借鉴人脑视觉神经注意力机制处理海量信息的方法，在时空双流CNN‑GRU神经网络模型进行时空特征融合之前引入注意力机制。该技术提出的模型的准确率为61.5％，与基于双流卷积神经网络的算法相比，识别率有一定的提升。 | ||
| 搜索关键词： | 双流 行为识别 卷积神经网络 神经网络模型 注意力机制 时空特征 视频 视频监控系统 时空 空间域特征 海量信息 记忆信息 时间序列 视觉神经 损失函数 分类器 时间域 识别率 智能化 准确率 人脑 算法 网络 融合 学习 引入 | ||
【主权项】：
1.一种基于深度学习的行为识别技术方法，其特征在于：含有以下步骤，步骤1、将3D卷积神经网络引入到双流卷积神经网络中，并且采用双流卷积神经网络和GRU网络相结合的方式搭建更深层次的时空双流CNN‑GRU神经网络模型；步骤2、在时空双流卷积神经网络中的空间流和时间流分别使用3D卷积神经网络，将更多的视频帧输入到网络中参与网络的训练，提取视频的时间域和空间域特征；步骤3、将时间域特征和空间域特征相融合成有时间顺序的时空特征序列，将时空特征序列作为GRU网络的输入.根据GRU网络能记忆信息的能力，提取时空特征序列的长时间序列化特征，利用softmax分类器进行视频的行为识别；步骤4、提出新的基于相关熵的损失函数；步骤5、最后针对模型中存在大量的冗余信息，借鉴人脑视觉神经注意力机制处理海量信息的方法，在时空双流CNN‑GRU神经网络模型进行时空特征融合之前引入注意力机制，使空间流特征向量和时间流特征向量进行自适应加权融合。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西安电子科技大学，未经西安电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910413528.4/，转载请声明来源钻瓜专利网。
