关键词：组群行为识别 局部聚合描述符 双流网络 分层长短时记忆 

摘要：构建端到端的深度学习网络结合局部聚合描述符(Action vector of locally aggregateddescriptor,ActionVLAD)池化层和多层长短时记忆(Long short time memory,LSTM)解决组群行为识别问题。在传统的单一图像信息(Red Green Blue,RGB)作为深度学习网络的输入基础上,添加密集光流信息(Dense_flow),描述视频帧间的运动,作为双流网络的输入;通过底层LSTM对特征信息进行建模,由融合的双流特征来表示个人行为;而ActionVLAD池化层可以对不同时间、图片不同位置的特征进行融合,从而更好地融合个人信息;最后顶层LSTM连接Softmax分类器,通过融合的个人信息判断组群活动。在Collective activity dataset数据集上的测试实验获得了82.3%的平均识别精度。

数据采集与处理杂志要求:

{1}基金项目：如果论文是项目成果，请按“项目名称（项目号）”的形式写出。项目名称与项目号两者都要有。

{2}稿件应具有科学性、创新性和实用性，论点明确、论据可靠、数据准确、逻辑严谨、文字通顺。

{3}文中图表或插图请附清晰的原图文件（tif. 或eps.格式，不低于600 像素）。

{4}注释是对论文中某一特定内容的解释或补充说明，用带圈数字注于当页页脚。

{5}稿件文字、标点、年代、数字等书写方式均以国家有关规定为准。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社