5篇关于人体行为识别的计算机毕业论文

今天分享的是关于人体行为识别的5篇计算机毕业论文范文, 如果你的论文涉及到人体行为识别等主题,本文能够帮助到你

智慧教室系统设计及课堂行为识别研究

这是一篇关于智慧教室,智能算法,人体行为识别,T-Fusion的论文, 主要内容为近年来,智慧教育理念已经逐渐被人们所熟知。作为智慧教育理念的载体,智慧教室也随之受到社会的关注。而随着人工智能的发展,人们对智慧教室的功能需求已经不局限于为师生的教学提供便利,而是将教室也看作教学的一部分,通过使用智能算法使教室也参与到教学的过程中来。因此,智能算法与智慧教室的结合成为了当下智慧教室发展的一个重点和难点。论文针对智慧教室的发展趋势和实际需求,设计了一款基于行为识别算法的智慧教室系统,该系统除了能为师生提供良好的教学环境,还可以自动对学生进行考勤,并通过对学生上课和考试状态识别,协助教师提升授课质量。论文首先对智慧教室系统进行了需求分析,根据校方对系统提出的功能需求从结构上将系统划分为客户端、服务端、主控模块三个部分,并从软件和硬件两个方面完成整个系统的设计。其中,客户端使用Vue+Element UI组件结合node.js技术完成了管理系统的设计;服务端将华为云服务器作为载体,使用Spring Cloud Alibaba一站式解决方案完成了系统后端开发,实现了教室环境远程监控以及学生课堂行为远程识别,提升了系统智能化程度。主控模块则使用IMX6ULL开发板结合STM32单片机进行设计,实现了教室电子设备控制以及教室环境调节等功能。根据智慧教室系统的智能化需求,对人体行为识别算法进行了深入研究。论文综合双流卷积神经网络和3D卷积神经网络的结构特点,设计了强化伪3D卷积网络时间特征的T-Fusion网络模型,并采用3D拆分网络的思想,将残差网络、T-Fusion网络与3D卷积神经网络结合,设计了时空融合伪3D卷积神经网络模型TFP3D,提升了网络对视频时间特征和整体特征的提取能力。论文最后对系统各项功能进行了测试,证明智慧教室系统的实用性,满足校方对智慧教室系统提出的各项功能需求。

基于WiFi信号的老年人家居行为识别算法研究与系统设计

这是一篇关于WiFi,人体行为识别,双向LSTM,注意力机制,跌倒检测报警系统的论文, 主要内容为随着全球老龄化趋势的加快,老年人的生活质量和健康状况越来越受到关注。WiFi技术作为一种广泛应用于各种领域的无线网络技术,其信号在传播过程中能够携带表征环境变化的信息。因此,基于WiFi信号的行为识别研究也逐渐涌现。利用WiFi技术来识别人体行为,可以有效降低生活照护的成本,为老年人提供更加便捷和舒适的生活体验。本文综合考虑算法的识别精度和鲁棒性,提出了基于WiFi信号的老年人家居行为识别算法研究并进行系统设计,实现对多种日常行为的识别和跌倒预警,具体研究工作如下:(1)基于菲涅尔区理论对无线传输领域中的信号传播进行建模,确定了最佳收发天线的位置,获得更可靠的CSI数据。针对缺少家居行为数据集的问题,搭建了数据采集平台,在实验室和模拟家居环境两种场景中分别采集了10种老年人日常行为(喝水、跌倒等),共16800个实验样本。然后利用相位误差校正、插值、滤波器、PCA等数据预处理方法去除环境中随机噪声对原始数据的影响,获得平滑稳定的CSI数据,为后续行为识别提取有效的特征做铺垫。(2)针对老年人家居行为识别中识别率低、性能不稳定的问题,提出新的行为识别算法At-Bi LSTM。首先,在传统LSTM网络的基础上加入双向结构,可以在两个方向上处理连续的CSI信号,获得能够表征更丰富行为信息的特征。然后又引入注意力机制,为特征和时间步长赋予更多的权重,使模型做出更准确的判断,获得更好的识别效果。通过与其他相关算法的实验对比,结果证明At-Bi LSTM算法识别效果稳定高效且具有鲁棒性和抗外界干扰的能力。(3)基于At-Bi LSTM算法设计了一套老年人跌倒检测与报警系统,首先分析系统的总体架构和软件开发环境,然后基于Python语言开发跌倒检测软件和用户管理系统,并对实时监测、查看历史记录、报警方式设置等模块的功能进行了测试。经测试,个人用户注册成功后,可以登录使用跌倒检测软件,管理员还可以通过用户管理系统进行用户数据的查阅、删除、增补、修改等操作,系统能够准确地检测出跌倒行为并及时向紧急联系人发送报警信息。

基于时域信息的红外人体行为识别方法研究

这是一篇关于人体行为识别,红外,迁移学习,局部时域信息,全局时域信息的论文, 主要内容为随着我国人口出生率逐年降低,人口老龄化情况加剧,老人安全问题愈发受到关注。大数据显示,突发性疾病摔倒是造成老人伤亡的主要原因之一。在计算机视觉领域,高精度的人体行为识别技术可以有效缓解该问题。当前,人体行为识别领域一直致力于研究与可见光视频数据相关的方法。近年来,研究者们不断提出新技术和方法,人体行为识别领域取得了突破性的进展。相比可见光行为视频数据,红外行为视频数据具有诸多优势。红外相机镜头下拍摄的视频数据对光照、体型和阴影等变化等不敏感,其在夜间和复杂环境下具有更强的特征表现能力,更加适合在视频监控等相关安全的领域应用。现有的红外人体行为识别方法无法充分利用红外视频数据中的时域信息。因此,本文从基于局部时域信息和基于全局时域信息的人体行为识别方法两个方面对该课题进行了研究。本文的主要贡献和成果如下:本文借鉴现有的可见光人体行为识别数据集,并结合红外视频数据的特点,创建了一个新的红外人体行为识别数据集,并在其中加入相关安全的动作。该数据集是在真实场景下模拟和采集的,考虑了体型差异、性别差异、视角变换和光线变化等因素的影响。针对传统预训练模型无法充分利用红外人体行为数据时间信息的问题,本文提出一种基于局部时域信息的红外人体行为识别方法。该方法首先从原始视频中提取运动历史图和光流图,借鉴滑动窗口的思想进行堆叠处理。其次,为了利用可见光行为数据和红外行为数据之间的相似性,设计了一个双流预训练网络,并使用迁移学习,将可见光行为数据预训练的网络模型参数共享给红外人体行为识别网络模型,以提取红外行为数据的特征。然后,将提取的特征输入至双流网络中,进一步提取红外人体行为信息。在特征融合处,本文采用并联特征融合方式替换softmax融合方式。最后,使用支持向量机对融合的特征进行人体行为分类。实验结果表明,所提方法在NTU RGB-D数据集和自建数据集上分别达到了78.52%和96.69%的准确率,具有较好的分类效果。针对局部时域信息地提取无法充分表征人体行为的问题,本文提出基于分割注意力和SE-Res Net18网络的红外人体行为识别方法。首先,本文对整个行为视频以一定的采样率进行均匀采样,然后通过对每个图像进行分割注意力模块提取每个图像的行为空间信息,并通过特征融合机制增强空间特征的时间联系性,实现对行为动作的全局时间建模。接着,将行为信息输入到SE-Res Net18网络中对其进行特征提取并分类。相较于传统的双流网络和三维卷积神经网络,该方法在自建红外行为数据集和NTU RGB-D数据集上的准确率分别达到98.51%和79.44%,有效地提高了红外人体行为识别的准确率。图[29]表[10]参[81]

结合行为识别算法的智能楼宇监控管理系统设计

这是一篇关于楼宇监控,管理系统,人体行为识别,LSTM,注意力机制的论文, 主要内容为随着人工智能等技术的快速发展,智能楼宇已不仅具有高效的现代化管理水平,能为人们提供安全舒适便利的生活和工作环境,而且还呈现出智能化的发展趋势,诸如语音识别、人脸识别等人工智能技术在智楼宇中已有大量应用,但人体行为识别技术在智能楼宇中的应用案例还非常少。针对这一问题,论文结合某楼宇监控管理系统的升级改造,设计了一套结合人体异常行为识别算法的智能楼宇监控管理系统,不仅具有高效的信息管理水平、便捷的设备控制功能,还能识别监控区域的人体异常行为,以便及时做出相应的处理,保证楼宇的安全。首先,论文分析了用户的需求,根据系统设计的原则,确定了智能楼宇监控管理系统由客户端、云服务器端、主控中心端以及监控系统端等四个部分组成的总体架构。在此基础上采用前后端分离技术对系统进行了设计,其中客户端基于Vue框架设计,方便用户对楼宇进行监控与管理;云服务器基于微服务架构搭建,并且整合了人体行为识别;主控中心端基于JZ2440开发板和Linux操作系统设计,实现对门禁和设备的控制以及环境参数的监测;监控系统端采用网络视频监控系统,并通过推拉流整合到楼宇的客户端,方便用户使用。其次,针对对监控区域内的人体异常行为进行识别这一需求,研究了包括双流卷积神经网络、长短多步长时间神经网络等几种主流的人体行为识别算法,指出了它们的不足。将Inception网络和LSTM网络结合,融入分组思想并引入注意力机制,设计了STC-Incep LSTM网络,并基于此网络设计了人体行为识别算法。STC-Incrp LSTM网络解决了传统网络无法获取长时间属性信息之间依赖关系的问题,还提升了网络获取视频复杂空间信息的能力。将训练好的网络部署到了服务器中,用于人体异常行为的识别。最后,分别对系统的设备管理和控制、后台管理、环境参数监测、门禁系统、视频监控和人体异常行为识别等功能进行了测试,结果证明论文设计的智能楼宇监控管理系统满足前期用户提出的需求,并且安全稳定可靠。