Date of Publication:2021-01-01

Journal:计算机工程

Abstract:人体行为识别（HAR）是模式识别、普适计算和人机交互等领域的重要研究课题，具有广泛的社会应用价值，利用深度学习网络自动提取数据的深层特征和提高对人体行为的分类准确度是人体行为识别的研究热点。考虑到传统机器学习算法严重依赖手工特征提取、模型泛化能力差等问题，提出了基于空时特征融合的深度学习模型（CLT-net）的人体行为识别方法。模型采用卷积神经网络（CNN）自动提取人体行为数据的深层次隐含特征，利用长短时记忆网络（LSTM）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，最终softmax分类器实现对不同人体行为的分类。基于公开DaLiAc数据集的实验结果表明，基于CLT-net的人体行为识别方法对13种人体行为的总体识别率达到了97.6%，优于单一的CNN和LSTM模型以及传统的BP神经网络算法，展现所提方法用于人体行为识别的有效性。

Note:新增回溯数据