基于迁移学习的危险行为识别方法研究

深度学习中卷积神经网络在行为识别领域有着良好的识别效果,但是由于深度学习需要较大数据集训练模型,而现今公开数据集中危险行为识别相关方向没有大量数据集。针对危险行为识别领域样本少、无法进行深度学习训练等问题,建立了危险行为识别数据集,并采用迁移学习方法对C3D网络模型进行迁移训练。结果表明,迁移学习后C3D网络模型对危险行为识别数据集平均识别率达到了83. 2%,可以有效识别危险行为动作。     

车辆辅助驾驶中基于概率模板的红外行人检测*

提出了一种基于概率模板的红外行人检测方法。首先采用自适应双阈值对红外视频图像进行分割,并提取感兴趣区域;然后利用行人区域的一些特征对感兴趣区域进行滤波,保留最符合行人特征的区域;考虑到行人重叠对于检测效率的影响,提出了一种基于直方图投影的多行人区域再分割算法;最后采用概率模板匹配算法对行人进行识别,针对行人可能的三个方位分别设计了三个对应的概率模板。实验表明该方法具有较高的行人识别率,对于环境变化有很好的自适应能力,并且具有较强的鲁棒性和实时性。     

基于Transformer改进的两分支行人重识别算法

针对基于卷积神经网络的行人重识别算法全局信息建模不足的问题，分析了卷积操作的局限性，提出一种基于Transformer改进的全局-局部两分支行人重识别算法.首先利用相对位置编码改进多头自注意力机制，并将其嵌入到Resnet50骨干网络中.之后在全局分支中对图像进行空间几何划分并利用Transformer的全局感受野增强抽象特征的提取能力；在局部分支中对Layer＿3输出进行降维监督，利用多尺度池化获得更丰富的局部特征.实验结果表明，该算法在公开数据集Market-1501和DukeMTMC-reID上的mAP/Rank-1分别达到了93.45%/95.61%和88.79%/90.35%,相对于单纯基于卷积神经网络的算法，本文算法达到更高的精度.     

云边协同的轻量级网络结构人脸识别方法

为了解决人脸识别因采用复杂度较高的卷积神经网络导致在计算与存储资源受限的物联网(IoT)边缘设备中无法部署的问题，提出了可通过云边协同技术部署在物联网边缘设备上的轻量级Mobile MTCNN人脸检测与识别算法，以减少物联网边缘设备资源开销.在人脸检测算法中使用轻量级子网络获取人脸框位置和人脸关键点坐标，并在人脸识别算法中设计了基于Mobile-Inception与Mobile-Resent结构的IMobileNet网络模型.实验结果表明：人脸检测算法在较现有算法准确率平均下降1%的情况下，虽然漏检率平均增加1%,但运行时间平均减少20%以上；人脸识别算法在达到MobileNet V2网络相同准确率情况下，设计并选用的IMobileNet-Small网络平均识别时间减少12%以上.因此，轻量级人脸检测与识别算法可维持识别精确度，同时满足边缘设备部署要求.     

基于帧差和Otsu的红外行人分割算法

针对红外图像中行人与环境对比度较低,直接进行分割易产生误分割问题,提出一种基于帧差和Otsu的红外行人分割算法.首先选取红外视频序列中时间间隔较短的2帧图像求其帧差图像,对帧差图像采用Otsu分割得到运动目标的部分区域;然后对基准帧也采用Otsu方法分割,并将帧差图像分割结果与基准帧分割结果相乘,得到目标区域的种子像素;最后在基准帧分割图像上,通过连通性判断得到最终的行人分割区域.实验结果表明,该算法很好地克服了环境带来的干扰,鲁棒性强,能有效实现红外行人目标的分割.     

一种多目标跨摄像头跟踪技术研究与实现

将行人检测算法和行人重识别算法相结合,提出一种多目标跨摄像头跟踪算法,该算法由行人检测、行人重识别和行人数据关联三大模块组成.首先利用基于YOLOv3的行人检测改进算法检测视频中出现的行人,并保存视频号、帧号和行人的全身位置信息;其次,利用基于生成对抗网络和重排序的行人重识别改进算法,为已检测的行人图片赋予一个标签;最...     

局部Fisher向量编码与交叉视角二次判别分析的人头重识别

目前行人重识别主要是基于完整人体的研究,但是某些特定场景下,完整行人图片难以获取,因此本文建立一个基于人头的重识别数据库,并提出了相关算法.算法采用局部Fisher向量编码和交叉视角二次判别分析算法,首先基于HSV颜色信息去描述特征,使用高斯混合模型对特征数据建模,然后Fisher向量加权聚合,最后对样本的低维特征子空间和度量矩阵同时进行学习.实验及分析证明了基于人头的重识别算法的可行性,其中基于Rank1的重识别率达到89.29%.     

基于统一划分的特征自适应行人再识别方法

为解决行人再识别(Re-ID)任务中,目标特征统一划分方法导致的部位信息关联性减少和识别率降低的问题,提出了基于密集连接卷积网络(DenseNet)的深度学习方法框架及基于统一划分方法的特征自适应Re-ID方法。在统一划分方法的基础上,为了保留部位特征的相关性,利用马氏距离公式计算相邻特征距离,自适应地选取信息相关性高的部位特征做融合,再对融合后的特征做行人分类。该文算法分别在Market1501数据集、CUHK03数据集以及DukeMTMC-ReID数据集上进行实验。平均精度均值(mAP)分别达到82.8%、70.3%、60.1%。该文方法与基于部位的卷积基准(PCB)以及部位对齐的行人再识别(AlignedReID++)相比,mAP均有提高。     

基于光流重构和深度姿态特征的行人跌倒检测方法

随着我国老龄化人群数量的增长,老年人实时行为轨迹的跟踪检测成为当前智慧社区研究的热点。本文针对现有行人跌倒检测算法在面临电动车流和行人影子的干扰而导致识别准确率不高的问题,提出了一种基于优化yolov5的路边行人跌倒检测方法。首先基于视频抽帧的方式将原始数据输入到yolov5网络进行监控行人视频数据的预处理,实现行人背景重构;然后提取光流和anchor框作为其运动特征;最后对此特征进行判定,进行信息融合的跌倒检测网络进行跌倒特征识别,并在不同帧序列和不同背景下进行对比试验。本文所提出的方法在行人跌倒数据集Multiple cameras fall和Le2i上进行了实验,结果表明本文的算法在基于电动车流和行人影子干扰场景下较传统方法在准确率和召回率上分别提升了9%和10%。     

基于边缘云计算的分布式行人重识别方法

为了降低计算密集型行人重识别任务的延迟,利用前沿的边缘云计算技术,设计了一种新颖分布式行人重识别(ECCreID)框架的模型.首先,通过结合属性识别和行人重识别来提出一种分布式模块分配方法.然后,考虑边缘云计算网络的动态性,设计一种基于在线学习的算法.最后,通过使用真实数据集进行的仿真,来评估所提出算法的性能.评估结果表明,所提出的框架具有较好的性能.     

密集行人检测方法研究

针对现有行人检测算法面对遮挡、尺度不一等问题表现出来漏检率和误检率高的情况,提出一种基于改进YOLOv5的密集行人检测方法Improved-YOLOv5.采用改进BIFPN网络替换原有PANet,增强特征融合网络对于特征信息的利用率和对于小尺度行人的关注度.采用EIoU Loss替换原有CIoU Loss,提高模型的回归精度和收敛速度.提出一种新的后处理算法T-NMS,通过增加一个额外的阈值,提高模型对于密集场景下行人密度的区分能力,并在模型开销增加不大的前提下降低了漏检率.实验结果表明,在Citypersons数据集上,所提密集行人检测方法Improved-YOLOv5相比原YOLOv5算法在不同程度遮挡的子集上检测效果均有明显提升,尤其是高遮挡Heavy子集的MR^-2降低了4.2%,达到53.1%,表明改进方法在密集行人检测中具有较好的性能.     

广域级电网在运智能电能表的烧损故障关联分析和预测方法

针对智能电能表在运行过程中出现烧损的现象，在对各类因素进行关联分析后， 提出了一种基于XGBoost算法的智能电能表烧损预测方法，以某省份2019—2020年的数据为例进行了测试验证. 采用该方法结合电能表基本信息数据、运行数据和环境数据进行烧损识别，并与K最邻近法（K-NearestNeighbor，KNN）、朴素贝叶斯和支持向量机等传统机器学习算法进行对比. 结果表明，基于极限梯度提升算法（eXtreme Gradient Boosting， XGBoost）的算法精度达到91%，召回率达到66%，综合指标F1达到76.51%，远高于传统算法. 算法模型在进行系统部署的过程中，运用长短期记忆算法（Long Short Term Memory， LSTM）对部分缺失值进行了填充，经试点验证，该模型可较为准确地预测低压台区电能表烧损现象.     

基于注意力机制与加权盒函数的YOLOv5的行人摔倒检测算法

为了防止路上行人摔倒不能及时救治，危及行人安全问题，提出了一种改进YOLOv5的行人摔倒检测算法YOLOv5-CBAM-WBF。首先，通过改进马赛克（Mosaic）算法来丰富数据集并缩短训练时长；其次，融入卷积注意力机制模块（Convolutional block attention module,CBAM），加强对检测目标的关注，以提升算法的特征提取能力；最后，提出了一种新的加权盒函数Weighted boxes fusion(WBF)方法，来对组合模型进行预测，该方法显著提高了组合预测矩形的质量。和原始YOLOv5算法进行比较，YOLOv5-CBAM-WBF算法的精确率、召回率以及平均精度分别提升了3.2%、2%和3.9%，表明该改进算法对于行人摔倒检测效果有了显著提升。     

面向辅助驾驶的夜间行人检测方法

辅助驾驶系统需要实时而准确的行人检测方法.文中利用基于知识的方法复杂度小的优点,针对单目远红外视频数据,提出一种基于概率模板匹配的夜间行人检测方法.该方法基于行人样本的灰度分布特征,采用局部双阈值分割算法提取候选目标,进而根据行人的运动方向建立多尺度概率模板,对候选目标进行判别.该概率模板建立方式缓解了行人样本类内方差较大的问题,增强了概率模板归纳行人外观模式的能力.为改善行人检测的准确度,进一步将目标跟踪算法融入概率模板匹配,借助多帧的综合处理结果实现了更为鲁棒的目标归属判断.实验结果表明:该方法计算开销较低,实时性较好;在郊外场景中检测率不低于90%,虚警率不高于10%;而在市区场景中检测率约为75%,虚警率约为22%.     

差分特征融合改进的动态手势识别分类网络模型

通过卷积神经网络和长短期记忆网络进行多模型结合,实现动态手势识别分类建模,并使用数据增强算法增加数据的多样性,通过差分特征融合改进网络。7种动态手势动作识别分类的实验结果显示,使用数据增强算法增加数据的多样性后,结合模型的识别率最佳可提升286%;通过差分算法改进网络,序列间差分特征融合模型识别率达到8381%,维度差分特征融合模型识别率达到8762%。表明多模型结合可解决单一模型的局限性,处理更加复杂的动态手势分类问题,两种不同形式的差分特征融合改进都可提升动态手势动作的识别率,从而验证了所设计的差分特征融合改进的动态手势识别分类网络模型的有效性和可行性。     

基于动作主视图和LSTM网络模型的人体行为识别

人体行为识别是计算机视觉领域的研究热点。针对传统行为识别算法具有计算复杂度较高的问题,提出一种基于动作主视图的长短时记忆模型人体动作识别方法。将三维空间中的动作正投影到二维的平面中,降低动作空间的维度和计算复杂度,利用长短时记忆神经网络处理时序数据的能力,对人体动作进行识别。选用MSRAction 3D公开数据集验证文中算法,采用十次十折交叉验证法,该方法平均识别率达93.06%。实验结果表明,本方法在降低算法复杂度的同时,识别效果较现有的其他算法好。     

基于运动矢量分析的动作识别技术

改进人体行为识别传统模板匹配方法的算法,提出一种基于运动矢量分析动作识别技术,并对其识别效果进行实验验证.该技术把标准人体动作的百分比运动矢量作为模板,将待识别动作的百分比运动矢量与已知的模板进行对比,从而得到动作识别结果.该技术可以正确识别摆头、点头和摇头动作,动作重复3次的识别率可以达到95%以上.该技术进行实时动作识别具有效果好、算法简单、识别速度快、抗干扰性强等优点.     

基于人体时空骨架特征的图卷积行为识别算法

【目的】为了充分利用动态的人体骨架特征，提高行为识别精度，提出一种基于人体时空骨架特征的图卷积行为识别算法。【方法】首先在空间上确定主关节点，再融合各关节点与主关节点之间的向量和关节点间的骨骼长度，获取瞬时状态下关节点的相对位置关系；然后计算相邻两帧之间由相同关节点构成的时序动作信息来描述运动状态；最后，将时空信息融合到时空图卷积网络中，进行端到端训练。【结果】与时空图卷积网络识别算法相比，在400分类Kinetics行为识别数据集上的Top-1和Top-5指标分别提升了1.78%和1.77%，在NTURGB+D数据集的两个基准上的Top-1分别提升4.13%和2.61%。【结论】提出的基于人体时空骨架特征的图卷积行为识别算法是有效实用的。     

基于MCS-LBP的红外图像行人检测方法

红外图像行人检测是夜间智能视频监控、车辆辅助驾驶及智能驾驶等领域的关键技术。针对红外图像纹理特征较少的特点,提出一种实时的基于分块的多级中心对称局部二值模式(Multi-Level Center-Symmetric Local Binary Pattern,MCS-LBP)的红外图像行人检测方法。首先对红外图像进行去噪等预处理及感兴趣区域(regions of interest,ROIs)提取,并提取感兴趣区域的MCS-LBP特征得到更加丰富的红外图像纹理特征,最后使用支持向量机(support vector machine,SVM)进行分类得到行人检测结果。在VS2010环境下,在自行采集的红外行人数据集验证了该方法的有效性与鲁棒性。     

基于2D先验的3D目标判定算法

提出一种基于2D先验的3D目标判定算法.首先用轻量级MobileNet网络替换经典SSD的VGG-16网络，构建出MobileNet-SSD目标检测模型；其次，通过改进网络结构，提高模型对小目标的检测能力，并引入Focal Loss函数来解决正负样本不均衡和易分样本占比较高的问题；在相同数据集上，将改进算法与Faster R-CNN、 YOLOv3及MobileNet-SSD进行对比测试，其平均精度mAP分别提高了7.2%、 8.8%和10.6%;最后，通过改进算法获取ROI,利用深度相机将二维ROI转换为ROI点云，并借助直通滤波来判断目标物体是否为真实场景物体，既省去了传统点云识别中的诸多步骤又避免了点云深度学习中三维数据集制作难度较大的问题，在识别速度和识别精度上达到了较好的平衡.