群组行为识别是对个体的共同行为进行识别。群组行为与群组状态密不可分，也与群组内个体时空特征息息相关，时空信息既能描述空间语义信息，更能反映行为的动态变化情况。针对有效精细的时空特征提取问题，本文提出了一种基于注意力机制和深度时空信息的群组行为识别方法。首先将 ShuffleAttention引入双流特征提取网络中，有效提取个体外观和运动信息。其次使用改进 Non-Local网络提取深度时序信息。最后将个体特征送到图卷积网络中进行空间交互信息建模，得到群组行为识别结果。在 CAD和 CAED数据集上的准确率达到了 93.6%和 97.8%，在 CAD数据集上与凝聚群组搜索算法(CCS)和成员关系图 (ARG)方法相比，准确率提高了 1.2%和 2.6%，这表明本文方法能有效提取深度时空特征，提升群组行为识别准确率。

如今，世界各国人口老龄化问题日益严重，为了避免独居老人发生意外，老人日常动作监测和识别算法成为了研究热点。本文设计了一种基于低分辨红外传感器的动作识别方法，通过红外传感器采集探测区的温度分布数据，对温度分布数据进行处理，从时间、温度、形变和轨迹 4个方面提取多个特征，最后通过 K近邻算法对“行走”、“弯腰”、“坐下”、“站起”和“摔倒” 5种动作进行分类。实验结果表明平均识别准确率可达到 97%，其中摔倒动作的识别准确率为 100%。

随着人口老龄化的到来, 为了避免发生意外事故, 对老人日常活动行为进行识别和监测的安全监护系统的需求不断增长。传统的基于摄像头拍摄或者穿戴式传感器的活动状态监测系统存在着隐私保护和使用不方便等不足。为此, 本文设计一种基于红外阵列传感器的人体行为识别系统。该系统通过检测环境中的温度分布和变化情况识别人体行为, 不需要在老人身上佩戴任何设备, 尺寸小易于安装, 在黑暗环境中可正常工作, 且由于采集到的是低分辨率信息, 不会造成隐私泄露, 对比传统方案具有明显优势。从采集到的温度分布信息中提取特征并采用 K最近邻( K-Nearest Neighbor, KNN)算法实现了“走”、“坐”和“跌倒” 3种状态的识别。实验结果表明平均准确率可达到 95%, 其中跌倒准确率为 97.5%, 行走准确率高达 100%, 坐下准确率为 92.5%。

为弥补单任务识别未充分利用相关任务监督信息的缺陷,提出了一种基于卷积神经网络的多任务识别模型。该模型引入注意力机制,对任务共享层的特征进行重校正,并结合多尺度结构进行特征融合,最后在任务特定层上进行多任务识别。针对共享特征空间内类分布不紧凑导致的模型泛化性能降低问题,本文在模型中引入中心损失函数与均方误差损失函数,与传统的交叉熵损失函数相结合,共同优化模型。实验结果表明:所提模型在人体6个动作类别和15个身份类别上的最高识别准确率分别可达100%和99.93%,两种任务上识别的总准确率可达99.93%,均优于任务独立识别时的各项准确率,说明所提模型能更有效地同时完成人体动作及身份识别任务。

为了减化传统人体行为识别方法中的特征提取过程, 提高所提取特征的泛化性能, 本文提出了一种基于深度卷积神经网络和多尺度信息的人体行为识别方法。该方法以深度视频为研究对象, 通过构建基于卷积神经网络的深度结构, 并融合粗粒度的全局行为模式与细粒度的局部手部动作等多尺度信息来研究人体行为的识别。MSRDailyActivity3D数据集上的实验得出该数据集上第11~16种行为的平均识别准确率为98%, 所有行为的平均识别准确率为60.625%。结果表明, 本方法能对人体行为进行有效识别, 基本能准确识别运动较为明显的人体行为, 对仅有手部局部运动的行为的识别准确率有所下降。