矿井皮带区矿工违规行为识别方法

针对矿井皮带区域人员违规行为的识别问题,提出了一种基于改进运动历史图描述矿工行为过程的方法,并提出金字塔几何矩特征。使用基于贝叶斯理论融合的金字塔几何矩与方向梯度直方图(HOG)特征向量识别矿工行为。首先,对三元色光(RGB)视频数据流提取关键帧,使用运动历史图描述矿工行为并在此基础上计算特征向量,使用K-最近邻(KNN)分类算法对矿工行为进行识别。使用深度学习法识别安全帽等目标,结合环境对矿工行为是否违规进行判识。实验结果表明:本文提出的方法识别准确率较高,可以达到96.5%,且时间复杂度较低,可以满足实时要求。同时,在KTH与Weizmann两个公共数据集上均取得较好的效果。     

基于改进的主成分分析法的矿工表情识别

针对传统的矿工面部表情识别方法中对矿工面部表情进行特征提取的时间较慢且识别准确率不高的问题,以主成分分析法为基础,运用Fisher线性判别法对传统的主成分分析法进行改进。首先在主成分分析法的基础上增加一个类间离散矩阵,使其投影后不同类别之间特征点的距离更大,同一类别之间特征点的距离更加紧凑,对矿工面部表情图像特征提取的结果更具有代表性和针对性;然后运用径向基神经网络将低维非线性可分的矿工面部表情图像对应的特征矩阵映射到高维空间并使其线性可分,从而实现对矿工面部表情的识别和分类。实验结果表明,所提出的方法对矿工面部表情识别的识别率为89.0%,优于传统矿工面部表情分类识别算法,在矿井安全监控、疲劳驾驶等领域有较好的应用前景。     

基于3D-SIFT和SVD特征融合的视频行为识别

行为识别是视频分析的一个核心任务,而行为特征的提取与选择直接影响识别效果。针对单一特征往往受到人体外观、环境、摄像机设置等因素影响而识别效果不佳的问题,本文提出一种基于三维尺度不变特征变换与奇异值分解提取特征,通过词袋模型进行统计形成视觉词库并形成融合特征,再利用支持向量机完成特征分类的行为识别方法。实验表明三维尺度不变特征变换与奇异值分解特征融合后能很好地描述视频序列,比单独用上述两种特征或者其他传统的描述子更高效,同时也能更好地适应光照等外部影响,得到更好的识别率。     

基于粗糙集的多类人群异常行为识别算法

为解决现有基于人工设计特征行为识别方法缺少多类异常行为分类研究和受人工影响大等问题,提出和实现了基于粗糙集的多类中低密度人群异常行为识别算法.该算法首先提取目标人群的人数、帧平均加速度、矩形框的距离势能、方向混乱熵,以及帧间混乱程度五个运动特征量,利用粗糙集从中学习以获取决策规则,再对正常、四散、同向加速跑、突然聚集和群殴这五类人群行为进行分类,并定量对比分析本文算法和其他同类算法处理同一视频集的分类效果.结果表明:与随机森林法等其他同类算法相比,该算法不仅能够有效检测出人群异常行为,还能准确地对五类人群行为进行分类,其识别准确率和覆盖率均有明显提升.     

傅里叶描述子及DIP应用

计算机视觉常以物体特征为基础进行区别、分类,本文以傅里叶描述子描述物体的形状特征,同时借助快速傅里叶变换完成傅里叶描述子的程序实现,并作为数字图像处理DIP的基本技术应用在区域分类、物体轮廓识别等方面。     

行人再识别技术研究综述

行人再识别是当前计算机视觉的研究难点和热点问题。根据行人再识别技术最新研究动态,对其研究现状进行了系统梳理,重点分析了特征学习和分类器算法两个最为核心的问题。首先将行人再识别的研究方法进行分类,其次整理了相关的研究资源,然后将特征学习分类为局部特征、块特征和全局特征,分类器算法分类为基于图像的建模方法、基于视频的建模方法、End-to-End的研究方法和深度学习模型,最后总结了行人再识别技术存在的主要问题,并对行人再识别检测技术的研究趋势进行展望。     

一种基于空 时快速鲁棒特征的视频词汇的人行为识别方法

提出了一种空 时快速鲁棒特征（SURF）描述子,并且结合视频词汇概念,应用于人行为识别.这种新的描述子在行为识别应用中能很好地体现视频的时空本质,通过词袋（Bag of Words）模型来表征视频,且在表征过程使用了非硬性权重.实验以瑞典皇家理工学院的行为识别数据集作为测试对象,使用了相关领域传统的分类策略,同时引入了包含二次判断的投票系统.实验结果证明,结合特征描述子和视频词汇的行为识别框架在速度和准确率上均优于已有的一些方法,同时该分类策略在某些行为类型上优于传统的分类方法,能有效地应用于行为识别领域.     

基于残差全连接神经网络的电力监控系统异常行为检测方法

为了提升电力监控系统异常行为检测能力,提出了一种基于残差全连接神经网络的电力监控系统异常行为检测方法.将深度学习模型与半监督学习方法相结合,构建了两级残差全连接神经网络,并将其作为核心分类模型.选取训练样本特征子空间、有标记训练样本子集、残差全连接层层数的多种不同组合,采用混合扰动的方法生成具有差异性的成员分类器.基于成员分类器的分类误差率,通过加权多数表决对无标记样本数据进行增量学习,生成分类识别能力较强的集成分类器.实验结果表明,在同等标记数据规模下,所提方法的检测准确率和模型训练收敛速度均优于现有方法,可快速、准确识别电力监控系统异常行为,同时降低了对训练样本数据进行标记的开销.     

基于迁移学习的驾驶分心行为识别及模型解释

为了提高驾驶分心识别的应用性及识别模型的可解释性,利用迁移学习方法研究构建驾驶人驾驶分心行为识别模型并采用神经网络可视化技术研究对模型进行解释.以VGG-16模型为基础,对原模型全连接层进行修改以适应驾驶分心行为识别任务,将原数据集中的10类驾驶行为按照所包含的分心类型合并为6类,采用合并后的数据集进行模型训练和验证.利用Grad-Cam方法提取了模型在识别不同驾驶行为时的重点关注区域并进行可视化,对照各分心行为的特点及模型分类时的重点关注区域对模型进行了解释.结果表明:所构建模型在测试集中的平均识别准确率达98.89％,经过训练的模型已具备了定位各驾驶行为的关键特征并据此判别行为类别的能力.     

不同影响因素下的矿工粉尘防治行为

为了提高煤矿防尘技术与管理的作用效能,降低矿工尘肺病患病风险,以中国甘肃某煤矿矿工为研究对象,通过常规干预方案和基于跨理论模型的分类干预方案2种不同策略,研究分析干预模式、矿工年龄、矿工文化程度在干预过程中对矿工粉尘防治行为变化的影响与作用。结果表明:具有干预重点的行为阶段分类干预方案的干预效能更加优秀,矿工防尘行为意识改变彻底;不同年龄段的矿工粉尘防治行为变化差异较大,干预后26～35岁和35～50岁人群的防尘行为积极向好转变明显;文化程度与矿工防尘行为呈正向线性相关,文化程度越高,矿工防尘行为积极主动性越高。在粉尘防治过程中,矿工的行为表现不仅受利于防尘技术、管理,更与其自身年龄、文化程度等个体因素紧密相关,考虑并利用个体差异,可以充分发挥个体参与主动性,有效提高煤矿职业健康防护水平。     

BP神经网络的改进及其用于手写数字识别的研究

模式识别是神经网络最有前景的应用领域之一,本文主要讨论如何提高多层神经网络 BP(Back-propagation)算法的学习速度以及该算法用于手写数字识别的研究.文中提出了局部连接的网络结构,并对基于特征输入和基于点阵输入两种神经网络分类器的特点进行了比较,针对神经网络的识别机制、识别能力和自适应学习,进行了深入讨论.本文还给出容错能力的概念,用以描述神经网络对非学习样本的分类机制.所有研究工作是在作者研制的 SSNN 神经网络仿真软件上进行的.     

社交网络中水军用户团队不当行为准确识别技术

传统方法通过提取用户的静态行为特征,利用监督学习模型完成识别,在社交网络规模大的状态下,水军用户团队不当行为特征和正常用户越来越相似,无法准确识别社交网络中水军用户团队的不当行为。为了解决该问题,依据用户动态行为特征研究社交网络中水军用户团队不当行为准确识别技术。对社交网络进行描述,在此基础上,提取用户行为动态特征。把社交网络中水军用户团队不当行为识别问题看作二分类问题,将提取动态特征相应的样本作为输入,构建决策树,通过决策树对新的社交网络数据集进行水军用户团队不当行为识别。结果发现：采用的动态特征可有效反映水军团队不当用户行为特征;所提技术对水军用户团队不当行为的识别结果和人工标识结果基本一致;所提技术在三个数据集上的调和平均值和平衡准确度较其它技术高。可见所提技术识别准确性高。     

朴素贝叶斯方法在中医证候分类识别中的应用研究

中医证候和症状描述错综复杂,如何较好地对病患所属证候进行鉴别诊断,一直是临床医疗工作者的首要目标,把数据挖掘技术的朴素贝叶斯分类方法应用到中医证候的诊断识别中,是一个较好的尝试.为了提高分类识别的效率,在分类特征的选择上,使用了遗传算法对原有的特征进行了优化.在使用朴素贝叶斯分类方法对中医证候进行分类识别并用遗传算法改进时,经历了以下过程:首先合理抽象鉴别诊断过程并建立数学模型;其次,提出了使用数据挖掘技术中的朴素贝叶斯分类方法对模型求解;第三,考虑到特征数量较大,运用了遗传算法进行特征优化;最后,使用医学上常用的ROC曲线评价方法对改进前后的分类识别的效率进行分析比较.     

基于学生行为数据的学生心理健康状态预测

为解决大学生心理健康状态识别问题,基于学生消费、上网和心理测评结果数据,首先应用Jenks Natural Breaks算法进行特征分类,然后根据特征分类结果使用Apriori算法进行特征关联分析,以挖掘与学生心理健康状态具有一定相关性的行为特征。最后,基于粒子群优化算法改进了惯性权重,并增加了对劣势粒子进行识别变异和选择的过程,以避免算法陷入局部最优解,同时使用萤火虫扰动策略加速粒子群向全局最优解收敛,构建了PDNN(Particle Difference Neural Network)神经网络模型用于预测学生的心理健康状态。在学生行为特征数据集上的实验结果表明,所提出的模型优于传统的机器学习和相关深度学习模型,并可以快速收敛,能更加有效准确地预测学生的心理健康状态。     

大学生网络行为方式的模糊分析

提出了大学生网络行为方式特征向量空间及网络行为方式特征向量模型,基于此模型给出了大学生网络行为方式的模糊向量表示方法以及描述大学生网络行为方式模糊向量空间的生成方法,并采用模糊聚类方法来分析大学生网络行为.依据大学生在网络中表现出的不同行为特征对他们进行模糊分类,针对分类后得到的每个大学生行为方式类别提出了相应的建议与对策,从而引导大学生合理运用网络资源促进学习,进行积极的网络交往,树立健康的网络生活方式.     

基于深度卷积神经网络和深度视频的人体行为识别

传统人体行为识别基于人工设计特征方法涉及的环节多,具有时间开销大,算法难以整体调优的缺点。以深度视频为研究对象,构建了3维卷积深度神经网络自动学习人体行为的时空特征,使用Softmax分类器进行人体行为的分类识别。实验结果表明,提出的方法能够有效提取人体行为的潜在特征,不但在MSR-Action3D数据集上能够获得与当前最好方法一致的识别效果,在UTKinect-Action3D数据集也能够获得与基准项目相当的识别效果。本方法的优势是不需要人工提取特征,特征提取和分类识别构成一个端到端的完整闭环系统,方法更加简单。同时,研究方法也验证了深度卷积神经网络模型具有良好的泛化性能,使用MSR-Action3D数据集训练的模型直接应用于UTKinect-Action3D数据集上行为的分类识别,同样获得了良好的识别效果。     

磨粒图像的纹理分析及识别

以磨粒显微图像分析为应用背景，引入方向测度对磨粒图像表面纹理特征进行描述．该方法对磨粒图像各方向的灰度变化规律进行统计分析，提取了8个纹理特征．然后以提取的纹理特征为输入矢量，利用径向基函数神经网络对磨粒纹理进行分类识别．应用实例表明，方向测度综合反映了磨粒纹理的方向性和粗糙性，可用于磨粒纹理特征的描述；所建立的基于神经网络的磨粒纹理分类模型学习速度快，识别率较高．     

改进的集合经验模态分解在人体行为识别中的应用

针对在基于惯性传感器人体行为识别的研究中,集合经验模态分解(ensemble empirical mode decomposition,EEMD)无法自适应地筛选出对不同分类行为更有用的固有模态函数的问题,特别是对步行、上楼、下楼3种易混淆行为的识别,提出一种改进的自适应集合经验模态分解特征提取方法,通过对不同分类行为筛选不同固有模态函数并提取窗口均值差异等新颖特征,有望在不同的分辨率下得到更准确、更有效的原信号特征信息。为了验证该方法的有效性,实验分别用典型时域频域特征与该方法提取的特征集训练K近邻(K-nearest neighbor,KNN)与支持向量机(support vector machine,SVM)分类器,并采用留一法(leave-one-out,LOO)交叉验证算法进行测试。结果表明,当分别采用KNN和SVM进行分类时,相比于原方法,改进的方法对步行、上楼和下楼3种行为的平均识别准确率分别提高了29.22%(KNN)和15.79%(SVM),对分类的7种不同行为的总平均识别准确率分别提高了95.11%(KNN)与93.14%(SVM)。     

基于多特征融合的停车场行人异常行为识别

视频异常行为检测对保障公共安全至关重要。针对停车场视频监控中行人异常行为识别准确率低的问题,提出一种基于轨迹-骨架多特征融合的异常目标识别方法。首先根据停车场的环境要求定义异常行为类型;然后对停车场区域进行行人识别,对行人进行图像跟踪,得到其运动轨迹,并对人体姿态进行分析,计算相应关节点的图像坐标;最后融合轨迹特征和骨架特征,对正常行为和异常行为进行分类,实现对目标异常行为的识别。在行为分析数据库上的试验结果表明,本算法的准确率达到87.08%,与单一特征识别方法相比,提高了异常行为的检测效率。本方法能够有效地识别停车场行人的异常行为,在实际工程中具有参考价值。     

基于信息处理与事故链的矿工行为失误模型

为揭示矿工行为失误机理,通过对矿工行为失误进行系统分析,根据矿工对信息认知的理论基础,构建矿工信息认知处理模型,将矿工信息认知处理分为3个模块并分析其特点,在其基础上,结合事故链原理,从宏观和微观两个层面建立一种矿工行为失误模型.对模型中影响矿工行为失误的因素进行重点阐述.基于所构建的矿工行为失误模型,运用回溯分析方法...