闫琳

（西安航空职业技术学院，陕西西安 710089）

近年来，对于视频技术的研究成为学术界研究的热点之一。在众多视频技术中，视频动作识别对于视频智能化应用有着重要意义，其在较多领域均有着广泛的应用[1-5]。

对于视频信息的提取通常依靠两个步骤，首先提取视频中的相关视觉特征；然后对提取的特征进行学习，生成相应的描述标签。在该技术中，最重要的是有效提取特征，深度学习算法是当前提取视频特征最为高效的方法之一。但传统上基于该方式的提取方法更注重视频上空间域，即视频帧中像素信息的提取，却忽略了视频动作在时间域上动作状态的变化。以人类的认知为例，物体的动作是不断变化的，人除了依靠动作静止时的画面判断动作的类别，还需关注动作从开始到结束变化的全过程。深度学习作为人工智能技术中的重要算法之一，其提取特质的方式与人类几乎一致。因此，文中重点介绍了视频中时域特征的提取方法[6-10]。

1 理论基础

1.1 深度学习算法

卷积神经网络是图像处理领域中最常用的深度学习网络。该网络的结构如图1 所示，主要包括了卷积、池化和全连接运算[11]。

图1 卷积神经网络

1.1.1 卷积层

卷积是一种常见的信息处理领域的数学运算，离散域上的卷积运算方法，如式（1）所示。

在离散域上的卷积运算需要合理的选择卷积核，卷积核通常是一个n2的矩阵。卷积运算的示意图如图2 所示。

图2 卷积运算示意

在图2 中，W是使用的卷积核，使用的是3×3 的维度。……