基于机器学习的人体动作深度信息识别方法研究

为了实现人体动作的准确检测识别,提出基于机器学习的人体动作深度信息识别方法,构建人体动作的三维图像采集模型,建立人体动作三维重建图像的表面结构重构模型,结合模糊度特征提取方法对人体动作三维重建图像进行多尺度分解,采用三维空间结构重组的方法进行人体动作细节特征识别,建立人体动作图像的多维分割模型;采用机器学习算法进行人体动作的细节特征分类识别,建立人体动作深度信息的提取和分类模型,在机器算法下实现人体动作的深度信息检测和多维识别。仿真结果表明,采用该方法进行人体动作深度信息识别的准确度较高,特征分辨力较好,具有很好的人体动作信息检测和辨识能力。     

面向体育训练的人体姿势实时识别研究

为了提高高校体育训练过程中的人体姿势实时识别和检测能力,主要进行了面向体育训练的人体姿势实时识别研究.采用特征提取方法识别人体姿势图像,结合帧片段扫描技术实现高校体育训练过程中的人体姿势图像采样;采用融合边缘轮廓特征分解方法对人体姿势视觉特征表达进行进一步处理,建立人体姿势图像的视觉空间融合度分析模型,结合模糊度辨识方...     

单像素人体轮廓提取方法研究

在步态识别中,常用轮廓信息来描述人体运动的细节,而单像素人体轮廓是决定步态识别精度的一个关键环节。提出了一种单像素人体轮廓提取方法。首先,使用灰度图像背景差法获取人体区域图像;然后利用数学形态学的方法对人体区域图像进行修复处理;最后,利用边缘像素邻域信息提取单像素的人体轮廓。仿真实验结果表明,提出的方法能够有效地提取不同步态图像的单像素人体轮廓。     

基于DSP的运动人体小车跟随系统

为弥补传统监控视野范围固定缺陷,并实现运动人体实时监控,采用图像处理方法,设计了一个基于数字信号处理器件(Digital Signal Processor,DSP)车载摄像头运动人体小车跟随系统。采用帧间差分法检测识别运动人体,提出一个基于灰度直方图的连续自适应均值漂移运动人体跟随算法,通过计算运动人体反向投影图的0阶矩阵和1阶矩阵,求出运动人体的质心坐标和宽度,作为下一帧跟踪框位置和大小。实验结果表明:电荷耦合器件摄像头采集的运动人体图像在DSP进行检测识别和跟随处理,正确地获得左转、右转、前进和后退等四个驱动信号,驱动小车跟随运动人体。实地测试表明:该系统能够实现对运动人体目标左右前后跟随,并时刻与运动人体保持一定安全距离。     

基于视频的人体异常行为检测与识别

提出了一种运动目标检测算法,通过三帧差分法,可以从视频图像中提取出运动目标的轮廓.通过三帧差分法分别对人体正常行走和人体摔倒两种行为进行检测,提取出人体在两种行为的运动过程中的特征.提出一种基于改进Hu矩不变性的人体异常行为识别算法,对人正常行走和摔倒两种行为进行识别.正常行走是正常行为,摔倒则为异常行为.实验证明,该方法对在本研究的实验环境下的正常行走和摔倒两种行为识别率很高,有一定实用价值.     

基于运动特征的人体异常行为识别

为了提高监控视频中人体异常行为识别的实时性和准确率,提出了基于运动特征的人体异常行为识别方法。利用分块更新的背景差法从图像中提取出完整的人体轮廓,通过区域关联结合颜色直方图实现人体目标跟踪,解决了非线性运动时漏跟和误跟的问题。通过人体运动轨迹、运动姿态及运动时间3个参数,对人的5种异常行为进行分析判断。实验结果表明,所提算法不仅能实时地对人体进行检测和跟踪,还能快速、准确地识别出异常行为,具有简单实用的特点。     

基于隐条件随机场的人体行为识别方法

提出了一种基于隐条件随机场的人体行为识别方法。首先,通过目标检测和目标跟踪提取图像序列中人体所在时空区域;其次,提取人体区域的 Gist 特征作为人体行为视觉描述子;最后,利用隐条件随机场模型对人体行为进行建模和识别。通过大规模试验证明了该方法的有效性,与其他方法的对比实验验证了该方法的优越性。     

基于视频监控的手扶电梯乘客异常行为识别

针对乘客在搭乘扶梯时的危险行为难以被实时准确检测的问题,提出了一种基于视频监控的手扶电梯乘客异常行为识别算法。首先,使用YOLOv3对图像中乘客的位置进行检测;接着,使用MobileNetv2作为基网络,结合反卷积层对检测出来的乘客进行人体骨架提取;然后,使用骨架距离作为跟踪依据,采用匈牙利匹配算法对相邻帧间的人体骨架进行匹配,实现视频中乘客的ID号分配;最后,通过图卷积神经网络对乘客关键点信息进行异常行为识别。在GTX1080GPU上的实验结果表明,文中提出的识别算法的处理速度能达到15 f/s,异常行为识别准确率达94.3%,能够实时准确地识别手扶电梯上乘客的异常行为。     

基于域Morphing算法的手背静脉识别

根据人体手背静脉图像的结构及特点, 提出一种快速域Morphing算法对手背静脉图像进行变换, 通过对图像进行相似度计算实现了静脉识别.     

基于摄像机的人体运动分析系统标志点图像处理

针对基于普通摄像技术的人体运动分析系统检测精度与处理速度低的问题,提出了一种快速标志点模糊图像预处理及标志点识别与跟踪的新方法。该方法首先利用快速模糊边缘检测算法对图像进行增强处理,然后使用作者构造的基于阈值法的连通域判别算法提取标志点图像边缘,最后运用“一阶预测—局部搜索”方法查找与跟踪标志点。对比实验及临床应用结果表明,该方法具有运算量小,图像处理快的特点,提高了运动分析系统的运行速度。该方法尽管是针对由普通摄像机替代专用设备建造的人体运动信息分析系统中图像处理问题提出的,但它同样适用于其它有关静止或低速运动物体图像的检测、处理与模式识别等方面的研究。     

低成本人体步态在线检测系统

研究了一种由 CCD摄像机、三维测力台及表面肌电信号检测装置组成的人体步态在线检测系统。在该系统中图像、力和表面肌电信号都由一台计算机实时采集。采用普通监控用图像设备和边缘检测、模板匹配等方法识别运动图像中的标志点 ,降低了系统硬件成本和对测试背景的要求。初步应用结果表明 :系统同步性能好 ,空间分辨率小于0 .2 %。该系统不仅适合于临床进行步态分析 ,而且也可用作其他与人体运动姿态有关研究的检测平台。     

一种运动目标单独识别的方法研究

利用不同人体之间纹理特征相异的特点提出一种检测特定目标的方法。首先,在背景差分图像中标识不同的运动区域,确定这些区域的极大概率、能量和熵3种特征向量;再把这3种向量进行相似性处理;最后比较处理数据的相似程度,从而达到对特定运动目标识别的目的。通过实验表明,这种方法不止在单幅图像中能识别出其中的特定目标,而且能计算序列图像中同一特定目标的相关性。     

一种被动毫米波图像中人体隐匿物品的检测方法

根据被动毫米波图像的特点,需要设计一种适应并且有效的被动毫米波图像中人体隐匿危险物品的检测方法。该文提出了一种被动毫米波图像中人体隐匿物品的检测方法,首先,对原始被动毫米波图像进行预处理,通过插值重建后,采用三次迭代增强方法进行图像增强,获取处理后的被动毫米波图像,以使被动毫米波图像目标与背景进行明显区分;然后,通过对人体是否存在进行预判断,若存在则进行人体目标检测,获取人体区域;最后,采用两次迭代分割的方法对人体区域内的隐匿物品进行检测,并对检测到的隐匿物品区域进行标记。实验结果表明,该方法能有效地检测出被动毫米波图像中的人体隐匿物品,具有较高的准确性。     

《太原科技大学学报》 太原科技大学图形图像与计算机视觉课题组

正太原科技大学计算机科学与技术学院图形图像与计算机视觉课题组,围绕视频图像处理、图像分析与理解、特征提取与识别、图像融合与拼接、视觉定位与三维重建,虚拟现实与增强现实等展开研究,在主动轮廓能量模型构建,偏微分水平集表面动态演化,超像素图割图像分割、离散小波多分辨率图形表示等理论研究方面取得了重要进展,研究成果在医疗病变肿瘤图像的处理与识别,视频监控图像人体目标的提取与识别,交通监测视频下运动车辆目标提取与交通流量检测,人眼疲劳检测及人脸特征提取与识别、工程表面形貌特征提取与磨损状态识别等领域进行了应用。     

基于光学相关探测的水上目标识别研究

提出了改进的Laplace边缘检测算子与对比度拉伸变换相结合的光学相关物面图像处理方法,对水上目标图像进行边缘检测和对比度拉伸,在精确提取目标边缘特征的同时有效地提高了图像对比度。将其应用到实时联合变换相关器中,实验结果表明,滤波后的图像经两次傅里叶变换后输出的相关点亮度明显增强,由此解决了一些复杂背景、低对比度水上目标的识别问题。     

基于Openpose和Yolo的手持物体分析算法

针对当前模式识别领域少有专门针对手持物体识别的研究,提出了可实时全局分析人体手持物体状态及手持物体类别的分析算法.以人体姿态估计网络Openpose和物体检测网络Yolo为基础对图像进行初步处理,利用C++A PI将二者获取到的人体关节点坐标和目标物体坐标进行信息融合,然后针对不同尺寸的物体进行分类并分别设计了判定法则...     

基于自适应投影的三维人体运动图像智能检测

针对目前采用的方法对三维人体运动图像进行检测时,无法准确获取图像中的目标区域,导致算法存在检测完整度低、检测准确率低、误检率高和检测效率低的问题,提出基于自适应投影的三维人体运动图像智能检测算法。首先构建背景粗提取模型,利用该模型提取三维人体运动图像的背景区域,获取图像的人体运动目标区域;其次采用自适应投影方法提取目标区域的特征,在支持向量机的基础上构建最优分类函数,将目标区域特征输入到最优分类函数中,完成三维人体运动图像的智能检测。实验结果表明,所提算法的检测完整度高、检测准确率高、误检率低、检测效率高。     

基于深度神经网络的人体动作识别方法

针对静态图像集中人体动作种类繁杂且识别准确率较低的问题,提出一种基于深度神经网络的人体动作识别方法;该方法采用迁移学习的思想对GoogLeNet模型进行改进,使得网络在预训练之后能够对行为个体的种类具有一定的姿势表达能力;采用逻辑分类中的逻辑回归多分类来实现动作的多分类,并通过建立动作识别模型应用系统对其进行验证;通过MATLAB2017处理平台对该模型进行测试,并得出图像的平均识别率。结果表明,本文中提出的方法在公开的图像数据集PPMI上的平均识别率相对较高,证实了构建的基于GoogLeNet人体动作识别模型应用系统对人体动作的分类是可行且有效的。     

基于Android平台的智能证件照系统的设计与实现

提出了一种基于Android平台进行证件照拍摄、处理的一体化智能解决方案.软件使用MVP架构,避免了Activity组件的高耦合,通过对图片进行压缩处理,提高了处理速度,避免了Android OOM的异常.利用边缘检测算子Sobel算子,对证件照人体轮廓边缘进行有效的识别,给出将RGB图像转换为灰度图像时获得的灰度值频率分布直方图的调整建议,能够满足一般用户对拍摄制作证件照的需求.     

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。