基于运动块及关键帧的人体动作识别

为了进行动作识别,需要提取能够充分表征动作的运动、时间、空间及形状信息的特征.本文首先从动作的运动特性出发,采用基于图聚类的方法对人体的运动区域进行分割,并通过计算运动块的熵值选出由运动方向一致的运动点构成的运动块.通过建立混合高斯模型对运动块的时空三维位置及运动方向进行特征表示,得到运动描述符.同时,通过比较前后帧中运动块的变化提取关键帧,然后基于词袋框架进一步筛选关键帧,并采用梯度直方图对动作的形状信息进行特征表示,得到形状描述符.通过线性组合运动描述符及形状描述符,得到充分包含动作的运动、时间、空间及形状信息的联合描述符,并采用最近邻分类器进行动作识别.该算法在KTH和UCF运动数据集上较当前方法取得更好识别效果.     

基于显著性检测的红外舰船目标检测识别技术

为有效解决舰船目标的检测与识别问题,提出一种基于显著性检测和Hu不变矩的红外舰船目标检测识别方法,首先使用中值滤波、维纳滤波及灰度非线性变换去除噪声,增强对比度,然后利用Itti算法模型进行显著性检测,针对检测分割后的舰船目标提取几何特征、灰度特征和Hu不变矩特征进行综合识别.经大量仿真实验证明,此方法具有较高的检测识...     

基于块模型的目标检测综述

目标检测是计算机视觉研究领域的一个重要问题,在图像检索和视频监控等方面具有重要的研究意义和广阔的应用前景.综述了块模型在目标检测中的应用进展和展望,首先,对目标检测的基本表示方法进行总结;然后重点介绍了块模型在目标检测中的应用进展;最后,讨论了块模型在目标检测中存在的困难和挑战.     

红外图像运动目标检测与识别

提出了一种利用相邻帧红我图像实时相减提取运动目标序列的方法,把复杂背景下运动目标识别问题转化为较简单背景下目标识别问题,介绍了一种基于差分图像序列的实时处理算法,可对多个运动目标进行识别与定位。     

基于动态规划的红外小目标检测与识别

研究了天空背景下红外运动小目标的检测与识别,对序列红外图像进行增强处理,通过模板滤波去除弱噪声;运用分割算法和聚类分析把目标和强噪声从背景中分离出来。根据所定义的一种距离运用动态规划的方法找出目标,并得出目标的运动轨迹,给出整套处理方法的实验结果和分析。     

基于跟踪轨迹的车辆异常行为检测

为提高ITS(Intelligent Traffic System)交通事件管理的智能性, 提出基于跟踪轨迹的车辆异常行为检测,分为目标检测跟踪、轨迹分析处理和车辆行为分析3 个步骤。首先利用三帧差法对目标进行初始定位, 采用基于Kalman 预测器的改进跟踪算法对车辆进行跟踪; 然后提出采用最小二乘法自适应分段直线拟合算法对目标跟踪获得的运动轨迹进行快速拟合; 最后结合运动方向变化率和速度变化率两个参数建立车辆异常行为检测模型。实验结果表明, 在道路监控视频中, 该算法能快速准确检测急刹车、急转弯和急转弯刹车等车辆异常行为。     

基于卷积神经网络的目标识别及姿态检测

基于深度学习方法,运用Faster R-CNN目标检测架构和ZFNet卷积神经网络,针对微装配系统目标的特点对网络进行训练,在此基础上设计了一个网络对识别目标进行姿态检测.实验结果表明:采用深度学习方法可以有效地对部分遮挡的目标进行识别并检测其姿态,相比于传统方法,该方法对环境适应性更强且速度更快,具有实际应用价值.     

基于主题迁移的跨视角动作识别

利用迁移学习的思想,提出了一个主题迁移模型(topic transfer model)用于跨视角的动作识别。借助源视角视频和目标视角视频,学习一个迁移模型,利用这个模型来实现对目标视角下视频的分类。具体方法是在源视角下训练一个主题模型,将反应源视角的语义信息传递到目标视角中,然后在目标视角中训练一个主题模型,实现跨视角的动作表示,利用支持向量机进行动作的训练和分类。实验结果验证了该方法的有效性。     

基于流形假设的骨架序列动作识别算法

骨架数据是通过对动作的空间几何位置进行编码获取,可以避免冗余背景信息的干扰, 是动作识别领域常用的数据类型之一.现有骨架数据的动作识别主要分为经典的骨架数据表征和基于深度学习的骨架动作识别应用.相较于传统欧氏度量下的识别方法,流形为更好地研究非线性结构提供了重要数学工具. 然而,目前仍缺乏利用流形假设对骨架数据进行动作识别的相关总结. 因此,从骨架表示、轨迹时间对齐、动作序列表征以及动作分类 4 个关键步骤出发,系统地总结了基于流形假设的动作识别工作,对比了各项工作在基准数据集上的表现. 最后,根据当前动作识别工作的发展趋势,对流形假设在动作识别方向上的进一步改进进行了展望.     

基于流形假设的骨架序列动作识别算法

骨架数据是通过对动作的空间几何位置进行编码获取,可以避免冗余背景信息的干扰, 是动作识别领域常用的数据类型之一.现有骨架数据的动作识别主要分为经典的骨架数据表征和基于深度学习的骨架动作识别应用.相较于传统欧氏度量下的识别方法,流形为更好地研究非线性结构提供了重要数学工具. 然而,目前仍缺乏利用流形假设对骨架数据进行动作识别的相关总结. 因此,从骨架表示、轨迹时间对齐、动作序列表征以及动作分类 4 个关键步骤出发,系统地总结了基于流形假设的动作识别工作,对比了各项工作在基准数据集上的表现. 最后,根据当前动作识别工作的发展趋势,对流形假设在动作识别方向上的进一步改进进行了展望.     

一种基于列扫描灰度差异的快速目标识别定位算法

以动态连续图像的实时识别与定位为应用背景,提出了一种简单的快速的目标识别定位算法,该算法以列扫描灰度特征差异为基础,同时研究了灰度峰谷点的特征,使该算法不仅可以快速地识别出简单的目标,而且可以快速地识别出比较复杂的目标,最后通过一系列的实验验证了该算法的快速性。     

移动对象轨迹的双重插值

移动对象的轨迹插值是查询处理的前提,插值的精度直接影响到查询处理的准确率.将保形三次Hermite插值引入到移动对象的时空轨迹插值,提出了双重插值模型,此模型继承了保形三次Hermite插值的优点,不需要速度条件便可以形成轨迹,容易将模型推广到高维空间,可以弥补移动对象数据库中记录点太稀疏的缺陷,并且插值精度比线性插值、非节点样条插值和保形三次Hermite插值更高.     

基于运动目标检测的智能视频监控系统

通过对视频序列的处理,使计算机在无人操作的情况下,检测出监控区域内的运动目标,并与预先设定的报警规则相比较,当发现异常行为时自动产生报警信号,提醒监管人员查看.系统中所用算法是将自适应混合高斯模型背景更新方法加以改进,结合基于帧间差分思想的双向匹配法,配合图像滤波方法,进行一系列后处理.实现室外场景运动目标检测,克服了树叶摇摆及轻微光照变化的影响,有效地滤除了各种噪声.提取出的运动目标精确完整,效果较已有算法得到了明显改善.     

基于泛化傅里叶描述子的运动目标检测

提出了一种两层运动目标检测算法.基于普通模型的第一层检测从当前帧中粗略地分割出运动目标.第二层检测包括两部分:首先,从粗略分割和所有历史分割中提取运动目标的泛化傅里叶描述子,然后基于描述子相似性度量,从历史分割中提取和粗略分割相似程度较高的部分组成新模型,并基于新模型得到第二层检测结果.普通模型与新模型均使用概率建模方法,两层检测均使用图分割技术.实验结果表明了该方法的有效性.     

基于小波变换的多普勒雷达目标识别

提出应用小波变换技术 ,以辨识不同目标回波之间的细微差异 ,并对连续波多普勒体制雷达的回波信号进行分析的方法 .采用本方法在雷达的一个距离波门内得到了地面目标的数量信息     

基于双目视觉的移动机器人动态目标识别与定位

提出了一种双目移动机器人实时动态目标识别与定位方法。该算法首先采用SIFT(Scale Invariant Features Transforms)算法提取目标特征,并结合双目视差特征进行目标匹配;然后通过区域增长方法进行目标区域的提取;最后结合双目视觉标定的模型对目标进行定位。实验结果表明:该方法在摄像机运动-目标运动情况下,能对局部特征未知或特征不明显的动态目标进行有效的识别与定位。     

一种自适应颜色特征的目标识别与跟踪法

文中提出了一种自适应颜色特征的目标识别和跟踪方法,该方法结合图像颜色特征和形态特征对图像进行处理.首先依据颜色特征对帧图像进行初步处理,利用图像数学形态学的运算特点,对初步处理的结果进行修正补偿.在识别跟踪过程中,作为识别依据的颜色特征会根据目标颜色特征的改变自适应地进行更新.在类人足球机器人比赛中取得了比较理想的识别跟踪效果,应用证明该方法可以提高视觉子系统的实时性和精确性.     

一种改进的基于平均背景模型的运动目标检测算法

通过实验仿真分析探讨了基于背景差分法的两种运动目标检测算法(平均背景模型法和codebook 模型法)的性能和存在问题,并在此基础上提出了一种改进的平均背景模型的算法.算法采用当前图像与背景相减后差分图像的灰度直方图进行阈值的选取,同时引进新的背景更新方法,由分割得到的前景图像来控制背景更新的区域,实验结果表明,改进后...     

基于平移、转动和大小变动对象的不变性识别

IOR(不变对象识别)是基于对象在平移、转动、大小变化等情况下的识别方法。该方法分两步:第一步,预处理阶段,通过归一化转动惯量和采用一种新的编码方法来抽取对象的不变拓扑特征,并存入一个数据库中。第二步,识别阶段,采用了一种亲笔最近相邻算法(HNN)。首先自学习预处理得到的数据,并得到对象的总的特征。再通过HNN算法来识别对象。该方法用于实际车牌识别,能得到满意的结果。     

基于模糊支持向量机和核方法的目标检测方法研究

介绍了模糊支持向量机（FSVM）理论，利用FSVM理论解决一般场景图像中的目标检测问题，并利用统计学习理论和支持向量机方法研究中形成的新的机器学习方法——核方法，研究FSVM的隶属度确定问题。实验表明，本算法具有较高的识别精度。本方法既具有针对性，又在理论上具有一般性，对推动模糊支持向量机这一新的模式分类方法的实际应用具有积极意义。