时序动作检测属于计算机视觉领域的重要课题,基于该课题可以做许多深入的研究运用,如提取体育视频中的亮点、自动视频字幕描述以及智能监控、智能安防等。周期性动作检测有助于视频追踪之类的基础性视觉任务,也有助于其他高级的识别任务如基于对人体的周期性步态来分析识别个体。本论文以时序动作检测问题为基础,分别研究了周期性时序动作检测以及通用性时序动作检测。本文研究工作将包括以下两大部分:1.基于关键点检测的周期性时序动作检测方法研究。本文将关键点检测经典方法OpenPose和视频中活动区域分类结果联合构建双路径方法实现了对人体周期性动作定位分析。本文采用关键点检测经典方法OpenPose提取关节点轨迹,采用卷积神经网络获取人体主要活动区域局部特征,再利用本文提出的双阈值融合方法针对轨迹特征和RGB图像局部特征进行融合,融合结果作为时序动作定位信息。本文采用预测定位时间段与动作真实时间段的交并比(tIoU)以及不同tIoU下mAP精度作为性能衡量标准。本文基于现实工厂场景下采集视频构建实验数据集,基于该数据集应用本论文方法对正常工作人体动作定位具有一定的有效性以及实现了较高的精度。2.基于改进损失函数的BSN网络时序动作检测方法的研究。为了提高神经网络在时序动作检测的精度,本文提出了一种基于改进损失的BSN网络,该网络模型采用了一种新的损失函数,将原来的损失函数增加了动作类别顺序限定,能更好地让损失函数从更合理的方向进行优化。基于该损失函数的网络模型在时序动作检测领域公开数据集ActivityNet1.3上实验结果表明,与原损失函数网络模型相比性能有较好的提升,且更合理。