钱慧芳，易剑平，付云虎

西安工程大学 电子信息学院，西安710048

随着互联网技术的发展和视频获取设备的普及，视频已成为信息的主要载体。视频数据的数量呈爆炸式增长，如何分析和理解视频的内容显得越来越重要。人体动作识别作为视频理解（video understanding）的重要课题之一，已经成为了计算机视觉领域研究的焦点。动作识别通过对预先分割好的时域序列进行时空信息建模，从而学习视频中所包含的表象（appearance）和运动（motion）信息，以此来建立视频内容与动作类别之间的映射关系，使得计算机能够有效地胜任视频理解的任务。动作识别在运动分析、智能监控、人机交互、视频信息检索等方面都具有广泛的应用前景。

卷积神经网络（convolutional neural network，CNN）[1]在图像分类任务中的成功应用为视频分类任务提供了大量的参考。然而，相比于图像分类任务而言，视频中的动作识别多出一个待处理的时序维度。因此，如何捕获视频帧之间所包含时序信息是动作识别的重点。本任务主要的难点在于：

（1）不确定因素

动作数据集中往往存在光照不均、背景变化、相机抖动等问题，在人-物交互的这一类型的视频中，会存在物体形变的现象，在人-人交互这一类视频中，还会存在目标遮挡的现象。这些不确定因素的干扰，会严重影响模型的性能，这也是导致动作识别未能实用化的重要原因。

（2）动作边界的不确定性

针对未修剪的视频而言，一段视频可能包含多个动作，一些动作持续时间较短，而有些动作持续时间较长，且速度变化快，难以在时序上对动作的边界进行精准的定位，模糊的动作边界将很大程度上影响识别的精度。……