基于改进深度学习模型C-GRBM的人体行为识别

为了提高复杂视频中人体行为识别的性能，在Gate限制玻尔兹曼机（gate restricted boltzmann machine，GRBM）模型基础上提出一种结合卷积神经网络的Convolutional-GRBM （C-GRBM）模型。利用视频图像平稳性的特点，通过不同的卷积核提取可见层不同的特征，提高模型局部特征提取能力，进而得到更好的人体行为识别率；加入池化操作，对卷积层输出的不同位置上的特征进行聚合统计，降低卷积层输出特征量的维度，从而解决原模型参数过多、容易过拟合等缺陷，进而降低人体行为识别复杂度。在人体行为测试库上的测试表明，本文提出的C-GRBM模型能够较好地提高人体行为识别性能。