摘要：針對(duì)當(dāng)前人體行為識(shí)別準(zhǔn)確率低、計(jì)算量大等缺陷,提出了一種基于三維卷積神經(jīng)網(wǎng)絡(luò)(3D Convolutionnal Neural Network,3D-CNN)結(jié)合批量歸一化(Batch Normalization,BN)及改進(jìn)的視覺(jué)幾何組(Visual Geometry Group,VGG)網(wǎng)絡(luò)的行為識(shí)別算法。該算法首先對(duì)3D-CNN結(jié)構(gòu)進(jìn)行優(yōu)化,在三維空間采用了多個(gè)小卷積核卷積層堆疊的Block結(jié)構(gòu);同時(shí)在網(wǎng)絡(luò)結(jié)構(gòu)中引入BN算法,將卷積層輸出的特征圖每一維進(jìn)行獨(dú)立的批量歸一化處理;之后在Block結(jié)構(gòu)中增加了Dropout層以提高網(wǎng)絡(luò)泛化能力以及將3D-CNN網(wǎng)絡(luò)層數(shù)加深到了13層,提高了高層次抽象特征的提取能力;最終使用softmax進(jìn)行分類得出結(jié)果。實(shí)驗(yàn)結(jié)果表明所設(shè)計(jì)的3D-BN-VGG網(wǎng)絡(luò)在行為識(shí)別方面有較高的識(shí)別率。