柔性姿态估计和时空特征结合的乒乓球动作视频片段关键帧提取

为了解决传统方法在场景复杂的情况下,因无法保证时间与空间上的连续性,导致乒乓球动作识别错误,影响关键帧提取性能的问题,将柔性姿态估计和时空特征结合在一起,研究乒乓球动作视频片段关键帧提取问题。依据稠密光流对乒乓球动作视频片段进行分段。对单帧图像人体柔性姿态进行估计,通过可分离线性滤波器时空特征点检测方法对乒乓球动作视频图像序列特征点的检测,将时空特征点当成中心建立时空立方体,提取时空立方体的像素建立时空特征。为了保证时间与空间上的连续性,引入时空特征边,得到有时空特征的柔性姿态估计结果。通过直方图相交法求出乒乓球动作视频片段中姿态相似度,计算全部姿态的Hog间差异度,构成差异度矩阵。在当前帧姿态差异度超过阈值的情况下认为当前帧为关键帧。实验结果表明,所提方法针对不同场景的保真率与压缩率一直高于0. 7,处于较高水平;主观评价结果好,可提取合理关键帧。可见所提方法对复杂场景的关键帧提取性能优,主观与客观评价结果好。     

基于Adaboost关键帧选择的多尺度人体动作识别方法

针对手工制作关键帧检测器和最初“特征包”方法的局限性,提出一种基于Adaboost关键帧选择和多尺度运动特征表示的人体动作识别方法.首先,从视频序列中提取兴趣点,使用生物启发特征结合光流的多尺度方法提取运动特征;然后,利用Adaboost学习方法从一个大的特征池中选取最具辨识度的几帧图像,并将排列前十的Adaboost帧作为相应的关键帧;最后,利用相关图表示关键帧,由支持向量机(support vector machine,SVM)完成人体动作分类.在KTH、多视图IXMAS和TUM数据库上的实验结果显示,该方法在3个数据库上的识别精度可分别高达95.5％,93.7％和91.5％,识别性能明显优于其他几种较新的方法,表明利用Adaboost学习算法可有效选取每个视频动作序列的关键帧,并有效解决了“特征包”方法的局限性问题.     

基于图卷积神经网络的健美操难度动作识别方法

针对现有健美操难度动作识别方法中存在的识别效果差等问题,提出将图卷积神经网络应用到健美操难度动作识别中。将健美操视频划分为若干个图像,并消除健美操难度动作图像背景,设定灰度共生矩阵,估计难度动作图像局部区域模糊核,校正难度动作图像的视觉误差。在此基础上,对图卷积神经网络进行预训练,构建人体有向时空骨架图,对人体有向时空图表示与时序动态信息建模,实现健美操难度动作识别。实验结果表明,在复杂背景与简单背景下,基于图卷积神经网络的健美操难度动作识别方法识别的时间较短,并且错误识别的次数也较少,证明所提方法提高了健美操难度动作的识别效果。     

基于支持向量机的人体轮廓特征的识别

首先,应用背景差方法分割出运动人体轮廓,对外轮廓沿人体中线投影可以得到前后两个向量,合成1D向量作为步态特征。为有效抑制观察视角及鞋帽服饰等外界因素的干扰,克服目前常用整体模型步态识别算法的不足,提出将人体轮廓面积特征与支持向量机分类器相结合的识别方法。该方法在步态序列图像的人体轮廓进行提取和规格化,将轮廓图叠加后进行网格式划分,提取轮廓单元模块面积作为步态特征识别参量。使用南佛罗里达大学的步态数据库,分别采用线性、多项式和径向基内核函数对不同外界因素条件下的数据进行实验,该方法的正确识别率为82％～100％,且对视角及鞋帽服饰的干扰不敏感,具有更强的鲁棒性。实验表明人体轮廓面积更能反映步态特征,将该面积特征与SVM分类相结合可以获得更好的识别性能。     

基于关键帧背景更新策略的运动目标检测算法

近年来,视频序列图像中的运动目标检测在智能监控、视频压缩、自动导航、人机交互、虚拟现实等许多领域中的应用越来越广泛.论文提出了一种基于关键帧背景更新策略的运动目标检测算法,该算法采用视频序列中提取的关键帧作为背景,通过关键帧统计平均实现背景更新,结合矩阵像素差分和阈值判定来进行运动目标的检测.通过实验表明,本文提出的方法与典型的背景差检测相比,能够在一定程度上减少噪声的影响,提高运动目标检测的准确度.     

非刚性人体运动动作图像姿态轮廓提取算法

针对人体运动动作图像提取传统方法仅能获取局部最佳解, 提取的特征序列不连续, 导致轮廓提取效果差的问题, 提出一种非刚性人体运动动作图像姿态轮廓提取算法. 首先, 对人体运动动作图像序列中的尺度不变特征变换(SIFT)进行提取预处理, 获取人体特征提取图, 设计一种人体运动序列顺序概率图模型, 以保证特征序列提取的连续性; 其次, 构建人体肢体外观模型, 基于该外观模型采用序列影像高精度轮廓提取算法提取当前人体运动动作帧的轮廓线. 实验结果表明, 该算法能提取连续的特征序列, 提取的人体姿态轮廓精确度较高, 且具有较高的效率和鲁棒性.     

基于累积运动能量图像的人体动作识别

指出了动作识别中的最大困难是难以提取有效的特征来准确描述人体的动作,动作模板是众多方法中的一种简单有效的方法,用来描述动作特征的经典动作模板是运动历史图像.由于受噪声的干扰,用运动历史图像描述复杂环境下的人体动作并不十分理想.为了得到比运动历史图像更加有效的动作模板,提出了将视频序列中的运动能量信息用一张图描述出来,称之为累积运动能量图像,提取其直方图特征来表征人体动作.经You Tube数据集上的实验表明:该累积运动能量图像的识别率比同类方法高.     

基于自适应阈值的聚类算法提取关键帧研究

针对当前预先指定聚类算法阈值提取关键帧的问题,使用MPEG-7标准中的主颜色描述子对视频帧进行描述, 以镜头内相邻两帧的相似性测度为数据样本,自适应地确定聚类所需的阈值,并以该阈值去指导同类视频的关键帧提取,提高关键帧提取的效率.实验证明,该方法能较好的提取视频序列的关键帧.     

基于运动段分类的人体轮廓提取方法

基于运动段分类的思想,提出一种人体轮廓提取方法.首先通过离散轮廓演变(DCE)提取场景各像素点所对应的运动段,然后在特征子空间(PCA)内对图像包含的运动段进行分类,最后去除属于背景类的运动段得到人体轮廓.在场景包含了其他运动干扰(如车辆、树叶、雨滴等)的情况下,该方法也能够高效地分割出人体轮廓区域.对USF室外步态序列的实验结果表明,经过运动段分类之后的人体轮廓提取效果较分类之前有明显改善.     

基于C-V模型的运动目标水平集提取方法

针对视频图像中的运动目标检测问题,提出了一种基于C-V模型的运动目标水平集提取新方法：使用改进的帧间差分法对运动区域进行初始检测,通过相邻视频帧的相减,选用自适应阈值判断出当前视频帧中的运动目标像素;经形态学处理后通过定义最小化能量函数构建运动目标轮廓提取的水平集C-V模型,实现运动目标轮廓的提取。实验结果表明,本文所提方法的边缘准确率和检出率更高,能够更有效地提取运动目标。     

改进的SIFT特征人脸识别方法ADSIFT

针对光照、表情、噪声等因素容易造成误识别的问题,提出一种改进的SIFT特征人脸识别方法.对每个训练图像,先提取得到SIFT特征向量集合,利用每个SIFT特征向量,并选择阈值构造一个弱分类器.利用一种基于Adaboost的算法从每个训练图像的弱分类器集合中选出一部分,确定其对应的阈值和权重,然后构造出该训练图像的相似度函数.根据相似度函数可计算出目标图像与每个训练图像的相似度,从而求出目标图像与每个类的训练图像的平均相似度,则目标图像属于平均相似度最高的类.实验表明在ORL人脸数据库上则可达到98%识别率,优于现有的方法.     

基于大津算法和深度学习的开集声纹识别自适应阈值计算方法

针对开集声纹识别的自适应阈值计算问题,提出一种基于大津算法和深度学习的阈值计算方法.首先,采用三层受限Boltzmann机堆叠而成的深度置信网络从Mel倒谱系数中提取语音深层特征;其次,通过Gauss混合模型计算特征的相似度值,对特征的相似度值使用大津算法计算阈值.实验结果表明,该方法识别效果较理想,与等错误率计算阈值...     

唐卡图像线条轮廓检索方法

各种媒体中唐卡图像越来越普遍,有效地对唐卡图像进行检索变得至关重要。提出一种唐卡图像检索方法:首先提取唐卡图像的线条画,对线条画线条提取Gabor特征并存储在特征库中;用特征二次式距离的方法对待检索图像线条画的线条特征和特征库进行相似性检测,找出相似唐卡。实验证明该方法检测精确度较高,能较好地检索到唐卡图像。     

基于关键帧轮廓特征提取的人体动作识别方法

为了在人体动作识别中获得更加准确的前景分割和防止关键信息的几何丢失,提出一种利用关键帧提取关键姿势特征的人体动作识别方法.由于背景建模和差分获得的前景不准确,利用基于纹理的灰度共生矩阵提取动作轮廓,并对原图像帧进行分割;然后计算人体Blob的能量,选取最大信息内容的帧作为关键帧,关键帧的获取使得特征提取对时间的变化具有一定鲁棒性;在特征分类识别阶段,为了提高分类的准确性,提出使用支持向量机-K最近邻(support vector machine-k nearest neighbor,SVM-KNN)混合分类器完成分类.在Weizmann,KTH,Ballet和TUM 4个公开数据集上实验验证了该方法的有效性.相比于局部特征方法、全局特征方法和关键点方法等,该方法获得了更高的识别率.此外,实验结果表明,该方法在KTH和Weizmann数据集上的早期识别效果优于Ballet数据集.     

基于光流与LBP-TOP 特征结合的微表情识别

微表情区别于普通的面部表情, 具有持续时间短、面部强度低的特点, 往往难以有效识别, 制约了该领域的研究。针对上述难点, 提出一种新颖的特征结合方法。采用全局光流技术在相邻帧间进行计算, 得到微弱光流, 通过传递前后各帧的运动信息, 在相隔多帧的两幅图像间体现更为明显的变化, 解决了短历时和动作微弱的难题; 将光流特征与LBP-TOP(Local Binary Patterns from Three Orthogonal Planes)算子提取的时空局部纹理特征相结合, 补充描述人脸大多数区域的细节信息。选择随机森林分类器进行实验, 实验结果表明, 两种特征具有很好的互补性, 在CASMEII 数据库下, 能识别5 类情感, 准确率由40. 50%提高至64. 46%, 类间区分度也有相应改善。     

基于特征优选和图像相似度的人体动作识别算法

有效提取特征有利于提高后续人体动作识别的准确率。针对人体动作识别时方向梯度直方图(histogram of oriented gradient,HOG)特征维数过高和相似动作不好区分的问题,提出一种基于特征优选和图像相似度的人体动作识别算法。实验对比三种降维方法主成分分析法(principal component analysis,PCA)、PCA+Pearson、PCA+Spearman处理后的动作识别率,证明PCA+Pearson相关系数的降维效果最佳。同时将全局特征八星模型与降维后的局部特征HOG特征组合在一起全面表征人体动作,并计算相邻两帧图像相似度,自适应分配一个判别周期内单帧支持向量机分类结果的统计权值,最后二次分类人体姿态识别结果。在标准数据集KTH上进行实验,该算法识别准确率为94. 5%,较其他方法有所提高,在视频人体动作识别领域有较好应用价值。     

基于非线性知识迁移的交叉视角动作识别

针对一般基于知识迁移的方法对未知视角不可用和难以扩展新数据的问题,提出一种基于非线性模型的无监督学习方法,即基于非线性知识迁移(nonlinear knowledge shift,NKS)的串联特征学习.提取密集动作轨迹,并利用通用码书编码;提取动作捕捉数据模拟点的密集轨迹,产生一个仿真数据的大型语料库来学习NKS,其中,轨迹提取前在视角方向上投影模拟点;再从真实视频中提取轨迹,用于训练和测试表示学习过程的轨迹,利用多类支持向量机分类串联特征.在两大通用人体动作识别数据库IXMAS和3D(N-UCLA)上验证了该方法的有效性,实验结果表明,在IXMAS数据集、不同摄像机情况下,该方法的识别精度高于同类方法至少3.5％,在3D(N-NCLA)数据集、双摄像头情况下,识别精度至少提高4.4％.在大部分动作识别中也取得最佳识别率,此外,该方法的训练时间可忽略不计,有望应用于在线人体动作识别系统.     

白细胞分类二叉树方法的建立

在仔细研究白细胞图像特点的基础上,提出了二叉树分类算法,主要提取细胞的色彩参数以及核的形状参数,用于判决识别。在细胞抽提阶段,只进行核的抽取,避免了细胞浆与背景颜色接近,难以分离而导致的因细胞浆提取不完整引起的判决误差,提高了系统的识别率;克服了统计模式识别算法中需要大量训练样本和提取众多特征参数的缺点,大大减少了矩阵运算时间。     

连续性健美操动作图像视觉误差校正方法分析

为了解决传统方法校正后图像容易出现模糊或锯齿效应,视觉误差校正效果不好的问题,研究了一种新的连续性健美操动作图像视觉误差校正方法。通过JAI相机(丹麦)逐行扫描电荷耦合器件(CCD)相机转换成视频信号,得到的信号通过图像采集卡采集,转化成PC机可处理的数字信号,通过全息投影获取连续性健美操动作图像。按照视觉误差完成对图像像素集视差函数的配准,通过向量量化技术实现对图像的亚像素级模板匹配,对经处理的连续性健美操动作图像进行分形编码处理,为视觉误差校正提供依据。对连续性健美操动作图像进行编码和解码处理,求出和原始图像间的误差,获取误差图像,对其进行插值处理,获取误差补偿结果,实现连续性健美操动作图像视觉误差校正。结果表明:经所提方法处理后的图像无显著的视觉误差,峰值信噪比和结构相似性很高。可见所提方法主观和客观评价结果好。