Kinect骨骼数据驱动的人体动作二维特征融合与动作识别

针对在高噪声环境中人体动作识别存在准确度和稳定性不高的问题,本文采用二维空间特征融合的方法,提出一种基于Kinect骨骼数据的人体动作识别算法。从人体三视图的投影来提取运动特征,可以消除人体自遮挡的影响。针对人体复杂动作,算法采用分层策略。利用Kinect获得的骨骼关节点坐标,根据人体三视图投影提取二维空间的人体关节角特征,并运用支持向量机(SVM)方法对动作进行粗分类;进一步提取二维投影平面内的关节位置矢量、角速度和加速度特征,运用隐马尔可夫模型(HMM)的方法对动作进行细分类。利用本文方法对公开数据集MSR Action 3D实验,平均识别率达93.37%,实验结果表明,该方法准确性较高,鲁棒性较强。     

基于人体骨架模型的远红外视频下老人摔倒检测

利用远红外光谱视频进行老人摔倒检测研究,提出一种基于人体骨架模型的远红外视频下老人摔倒检测算法;采用YOLOv4-Tiny算法获取远红外视频中人体目标位置,再利用COCO数据集训练的区域多人姿态估计网络模型,直接对自采集的远红外视频进行人体骨架提取,得到人体关节点序列,然后对人体骨架建立时空图卷积模型进行特征提取进而检测摔倒行为,并在自采集的远红外与可见光数据集中进行算法测试。结果表明,该算法对远红外数据集的摔倒检测准确率为87.71%,验证了算法对远红外视频下摔倒行为检测的有效性。     

基于骨骼投影信息的人体行为识别

针对复杂环境下深度相机提取人体骨骼信息失效的问题，利用RGB图像提取运动特征，提出结合人体部分重要关节点信息进行行为识别的方法。首先根据人体行为图片捕捉人体各关节点的空间位置信息，建立坐标系描绘出人体骨架，将三视图嵌入二值图像中；利用Lucas-Kanade光流算法得到关节点的运动信息，构成由张量表示的动作序列；估计动作特征描述序列，再映射到格拉斯曼流形上完成人体行为识别和分类。在MSRActinos3D、UCFKinect数据集上的实验结果表明，该方法能够有效识别各种人体行为。     

基于遗传算法的关节特征选择

随着低成本深度传感器(如微软Kinect)的出现,人体行为识别研究吸引了很多研究人员.由于这些设备提供了身体关节的三维位置等骨骼数据,使得基于骨骼的人体行为识别变得简单.但这些关节特征的信息存在部分冗余或者不必要的肢体特征,从而降低识别精度.为此,提出一种智能算法来优化关节点信息的方法过滤掉一些不必要的关节点的特征信息,从而提高识别精度.实验结果表明,提出的方法在UTKinect数据集上测试得到的精度达到97.39%,在Florence3D数据集上测试得到的精度达到93.05%.     

伤员运载机器人楼梯环境运动稳定性

针对伤员运载机器人在楼梯环境的运动稳定性问题，分析机器人各关节运动对机器人运动稳定性的影响，建立机器人运动学模型。结合稳定锥方法与伤员运载机器人实际结构，通过MATLAB软件计算分析重心调整机构对机器人稳定性的影响，验证机器人通过重心调整后上楼梯运动的稳定性。仿真和实验表明，伤员运载机器人的重心调整机构能够有效的调整机器人的重心，调整后的机器人能够稳定的在楼梯环境中将伤员运出。     

骨架关节点跟踪的人体行为识别方法

基于彩色图像的运动检测和分割方法难以获取完整的人体骨架,并且只能提取关节点的二维坐标信息,而 Kinect 传感器能通过捕获深度图像来重建完整的人体骨架关节点三维模型,提高了骨架关节点模型的表示精度。本文通过 Kinect 的骨架跟踪模块对人体的骨架关节点模型进行提取;然后,提出一种坐标转换方法得到人体骨架关节点的三维坐标表示,利用 k 均值聚类将关节点坐标量化为符号序列;最后,建立离散隐马尔可夫模型来进行人体行为识别。通过自建的数据集进行实验,实验结果表明：本方法能取得94％的识别率。     

煤矿救援蛇形机器人环境建模方法研究

煤矿救援机器人的研究对煤矿救灾工作的顺利开展有着重要的现实意义,简要分析了煤矿救援机器人在环境建模方面的研究现状,针对煤矿事故发生后,救援蛇形机器人如何在恶劣的井下进行环境识别和建模,提出了一种变结构模糊神经网络的多传感器数据融合算法。重点讨论了该算法的原理,结合煤矿井下的特殊环境和蛇形机器人自身结构特点,采用超声波传感器、红外测距传感器、激光雷达传感器组来获得障碍物的距离、位置信息及环境类型信息,然后,利用模糊神经网络对这些信息进行融合,采用改进的BP算法对网络进行学习,通过对结论网络权值的调整,择优选取模糊规则,从而自动的调节模糊神经网络的结构。以机器人在靠近障碍物时的八类典型环境标志为依据,通过模糊神经网络识别出障碍物的形状,完成环境的建模。利用实验获得的一组数据进行了仿真,结果表明该算法实现了在不同环境中模糊隶属函数的自动生成和模糊规则的择优提取,适用于复杂的非线性系统,对于煤矿救援蛇形机器人的环境识别和建模是一种行之有效的方法。     

一种基于多特征多分类器融合的人体行为识别方法

提出了一种基于多特征多分类器融合的人体行为识别方法。针对Kinect传感器提取的三维骨骼动作序列,采用身体部位的相对几何特征、关节点的相对位置特征、关节点的绝对位置特征对人体动作进行描述。将支持向量机和随机森林分类器作为成员分类器,对3种动作特征分别进行训练和测试,使用分类器融合算法对分类结果进行融合决策,实现最终的分类。在现有的人体动作数据集上进行验证,实验结果表明:本方法可取得95%的识别率。     

基于改进姿态估计算法的嵌入式平台实时跌倒检测

为了实现视频中特殊人群跌倒检测的实时性和降低误检率。通过采用改进的姿态估计网络提取人体关节点的方法,研究了使用前后帧关节点的变化来对人体进行追踪和跌倒行为检测。为了在嵌入式平台上使姿态估计网络达到实时效果,采用带有注意力机制的轻量化结构搭建深度卷积网络来提取人体关节点坐标,并合成完整的骨架信息。结果表明：带有注意力机制的姿态估计算法在不同数据集上的准确度均有提升;同时在嵌入式平台上保持误检率较低的情况下达到实时跌倒检测。可见基于改进姿态估计算法并通过关节点判断的方法较好地实现了人体的跌倒检测。     

一种6自由度关节机器人逆运动学共形几何代数法

为获得一种6R(R为转动副)焊接机器人运动学逆解,使用共形几何代数(CGA)对焊接机器人运动学进行研究.利用共形几何代数中基本几何元素的表达以及几何形体的内积和外积运算,获得了焊接机器人各关节点的位置;通过构造经过关节点的直线与直线以及平面与平面的内积,得出机器人所有关节转角余弦表达,从而获得了焊接机器人位置逆解所有解析解.最后,以一种空间6自由度关节机器人为例求解运动学逆解,结果表明,新方法正确有效,几何直观性好.     

指纹核心点的位置确定及其方向计算

核心点作为指纹的一个基本特征,在指纹匹配和分类中起着重要作用.应用机器学习方法区分核心点区域与非核心点区域.核心点区域与非核心点区域的脊线局部方向分布可用来构造训练数据,并用多尺度SVM方法得到训练模型,并由相应的模型估计出核心点的准确位置.定义了核心点的方向,并利用一种启发式方法来计算.实验表明,该方法可以准确有效地确定核心点的位置和方向,并提高指纹匹配的性能.     

基于极限学习快速分类方法的人体跌倒检测方法

为了准确快速检测人体跌倒状态,提出基于惯性测量单元(inertial measurement unit,IMU)测量和处理数据的极限学习机(extreme learning machine,ELM)快速分类判别方法。分析了人体运动行为特征,构建了腿部运动参数提取模型;通过IMU采集人体腿部运动特征数据,并进行姿态解算;采用ELM方法对人体运动特征的加速度、角速度和姿态进行分类,判断人体是否处于跌倒状态;根据机器学习评价指标对ELM参数进行优化,得到最佳参数。进行了人体运动状态测量实验,结果表明,ELM方法能够对IMU测量和处理数据进行准确快速地分类。当隐含层结点为1 000时,ELM检测方法跌倒检测的准确率为96. 45%,灵敏度为97. 32%,特异性为89. 32%。因此,采用ELM快速检测方法,可有效地对人体运动特征数据进行分类,实现对人体跌倒行为的准确检测。     

基于LiDAR点云的建筑物检测方法研究

提出了一种基于三角面元的LiDAR数据建筑物检测方法.首先对点云数据构建不规则三角网,然后根据三角面元的特征信息对其进行分类,接着利用面元之间的邻接关系对其进行聚类,最后对聚类点云进行跟踪得到建筑物的轮廓.以国际摄影测量与遥感学会(ISPRS)提供的城区LiDAR点云为实验数据进行建筑物检测试验.与以点云或分割块为处理基元的检测方法相比,该方法能够更加准确地提取建筑物轮廓,正确率可达96%,完整率可达85%.     

能耗预测导向的建筑能耗异常数据识别与修复

建筑能耗异常数据处理是对建筑能耗进行准确预测的前提。为有效处理建筑能耗异常数据,利用基于机器学习的K-means和KNN(K-nearest neighbor)算法,对上海某酒店建筑2017年7月的逐时能耗数据进行了异常识别和修复。通过建立长短期记忆网络模型,利用处理后的能耗数据预测了该建筑2017年8月首周的逐时能耗数据。预测结果表明,提出的建筑能耗异常数据识别与修复方法能准确识别并修复建筑能耗异常数据,从而显著提高后续能耗预测的效果。     

机器视觉下排球手位置轮转的空间多变性优化

在计算机机器视觉下,采用传统方法研究排球手位置轮转的空间特征时,随着排球手位置轮换的不确定性增强,空间状态识别效果不好,对调整战术的指导性不强。提出一种基于机器视觉空间降维的排球手位置轮转空间多变性优化方法。通过构建机器视觉下排球手位置轮转的图像处理模型,完成排球手空间位置变化的像素点采样和特征分析。通过构建图像特征输出函数,实现空间像素点量化特征降维。通过求解排球手空间位置轮转视觉特征图像的运动参数方程式,完成位置轮转空间多变性的优化。实验结果表明,采用该算法能准确有效对机器视觉下排球手位置轮转的空间特征进行分析和识别,对于提高队员的协调和配合素质有重要的指导意义。     

非结构化环境下无人驾驶车辆跟驰方法

提出一种基于多传感器融合的用于非结构化环境下无人驾驶车辆跟驰应用的方法,旨在解决无人驾驶车辆跟驰任务中对引导车辆的局部定位问题,实时获取引导车辆的相对位置和速度.首先以任务需求为导向,通过实车实验结果完成针对非结构化环境特点的传感器选型工作.对所选毫米波雷达和相机设计联合标定流程,实现数据空间融合.设计与目标距离相关的横向距离约束阈值,以及基于历史帧数据变化可靠性分析,解决非结构化环境下雷达数据跳变和虚检现象,实现雷达有效目标提取;考虑相机小孔成像原理,提出大小可变候选车辆检测框生成.最后基于主流的目标检测深度学习框架,设计跟车应用中信息输出流程.实车测试结果表明,该方法可以满足非结构化环境下车辆跟驰应用的基本需求,输出结果有一定的稳定性和精度.      

Measuring Similarity of Academic Articles with Semantic Profile and Joint Word Embedding

Long-document semantic measurement has great significance in many applications such as semantic searchs, plagiarism detection, and automatic technical surveys. However, research efforts have mainly focused on the semantic similarity of short texts. Document-level semantic measurement remains an open issue due to problems such as the omission of background knowledge and topic transition. In this paper, we propose a novel semantic matching method for long documents in the academic domain. To accurately represent the general meaning of an academic article, we construct a semantic profile in which key semantic elements such as the research purpose, methodology, and domain are included and enriched. As such, we can obtain the overall semantic similarity of two papers by computing the distance between their profiles. The distances between the concepts of two different semantic profiles are measured by word vectors. To improve the semantic representation quality of word vectors, we propose a joint word-embedding model for incorporating a domain-specific semantic relation constraint into the traditional context constraint. Our experimental results demonstrate that, in the measurement of document semantic similarity, our approach achieves substantial improvement over state-of-the-art methods, and our joint word-embedding model produces significantly better word representations than traditional word-embedding models.     

基于卷积神经网络的毫米波图像目标检测

在公共安全检查领域中,研究毫米波图像目标检测的快速性和精准性的方法具有非常重要的实际应用价值。提出了基于Faster R-CNN深度学习的方法检测隐藏在人体上的危险物品。该方法将区域建议网络(region proposal network,RPN)和VGG16训练卷积神经网络模型相结合,接着通过在线难例挖掘(online hard example mining,OHEM)技术优化训练所提出的网络模型,从而构建了面向毫米波图像目标检测的深度卷积神经网络。实验结果证明所提的方法能高效地检测毫米波图像中的危险物品,并且目标检测的平均精度高达约94.66%,检测速度约为6帧/s,同时对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于卷积神经网络的基因剪接位点预测

研究剪接位点可以更深入地探索剪接机制和基因预测方法,准确预测剪接位点至关重要。基于深度学习技术提出一种新的预测方法,无需人工提取样本特征,以基因序列的K-MER编码向量作为输入,采用训练后的卷积神经网络(CNN)模型进行预测。基于人类基因HS3D供体数据集,与传统机器学习方法进行预测比较,结果表明预测模型的主要性能指标,包含马修斯相关系数(MCC)、灵敏度(SN)均超过传统的机器学习方法。     

机器学习在座逾渗相变问题中的应用

机器学习理论区别于传统方法,因其在对于复杂的数据集识别、分类的准确性和高效性而被广泛应用于各个领域.识别相变是机器学习和统计物理领域相结合的最有代表性的工作.到目前为止,机器学习完成的相变识别几乎都是基于具有动力学演化过程的自旋模型,如Ising模型等,而其在另一类不具有动力学演化过程而完全由系统结构特征决定的相变模型,如逾渗模型等,仍未有细致研究.本文结合现有的机器学习技术,卷积神经网络和一般向量机,对二维方格子上的座逾渗问题进行了研究,发现能以高正确率对不同相的构型进行识别,证明了机器学习在这类问题上研究的可行性.通过已完成训练的学习机对不同参数下构型预测的正确率计算,发现正确率在相变点附近会出现急剧衰减,与系统参数呈幂律衰减.这与传统相变理论一致.通过定量计算,还发现2种学习机的正确率衰减规律都满足同一个幂律指数.这不仅进一步从全新的角度揭示了相变的普适性,而且为找寻相变点提供了新的方法.