张聪聪，何 宁，孙琪翔，尹晓杰

（1.北京联合大学 北京市信息服务工程重点实验室，北京 100101；2.北京联合大学 智慧城市学院，北京 100101）

0 概述

人体动作识别已成为计算机视觉领域的研究热点之一，在视频监控［1］、人机交互、医疗保健［2］、智能人机界面［3］等领域具有广泛的应用［4］。不同于图像处理，视频中动作识别仍然是一个具有挑战性的问题。视频序列包括空间特征和时序特征，视频分类效果的好坏很大程度上取决于能否从视频中提取和利用这两类特征。有效地从人体动作视频中提取到具有高区分度的时空特征，对于提高人体行为识别的准确率有着重要作用。然而，视频由大量的连续帧序列组成，具有极大的变化性和复杂性，例如遮挡、视点变化、背景差异、混乱、照明变化等情况［5］，这对视频中人体动作的识别提出了更高的要求。

随着计算机视觉的发展，卷积神经网络（CNN）已经从图像分类问题扩展到视频中动作识别问题［6］。在针对视频中动作的识别问题中，多数研究都集中在提取可以表达视频动作的有效特征上，与图像空间中的特征表示不同，视频中人体动作的特征表示不仅要描述图像空间中人的表观特征，而且还需提取动作外观和姿势的变化。因此，特征表示的问题从二维空间扩展到了三维时空［7］，这样提取的有效特征信息能够显著提升视频识别的准确性。目前视频中动作特征主要是利用基于深度学习的方法进行提取，SIMONYAN 等［8］提出双流网络模型，分别使用RGB 图像和光流图像作为网络输入，提取视频的空间特征和时间特征，最后将2 个特征融合来识别视频中的动作。……