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LMP-KCPA的人体动作识别方法

为解决人体动作识别中由于特征描述子的维数过高, 无法表征目标变化的本质运动变化信息的问题,给出了核主成分分析(KPCA: Kernel Principal Component Analysis)对局部运动模式描述子(LMP: Local Motion Pattern)降维方法。首先利用LMP 描述子对人体运动目标进行描述, 然后利用KPCA 算法对局部运动模式特征
描述子进行处理, 获取新的特征描述方式。通过MATLAB 仿真, 与Cuboids+SVM 和LMP+SR 两种算法对比结果表明, 基于LMP鄄KPCA 的人体动作识别, 特征描述子维数明显降低, 可以表征人体运动目标变化关键信息,识别率比Cuboids+SVM 算法提高1. 1%, 比LMP+SR 提高1%。     

基于BSN和神经网络的人体日常动作识别方法

基于人体传感器网络(BSN)对人体动作的识别,在远程医疗服务中具有重要应用．搭建了一个基于BSN的人体动作监测平台,实验中通过固定在人体腰部和大腿上的两个加速度传感器节点,来采集人体日常生活中的7个动作所产生的加速度信号．特征提取包含传感器节点在3个轴上信号的时域和频域信息,并采用神经网络和分层的方法融合信息对7个动作进行分类和识别．实验结果表明,应用所搭建的BSN平台和识别方法,采用两个传感器节点识别人体日常生活中的7个动作具有很高的正确率．     

基于3DCNN的人体动作识别方法

针对三维卷积神经网络在特征提取过程中,极易出现神经元被抑制直接失去活性的现象,提出一种改进的人体动作识别模型,在卷积过程中使用Leaky ReLU激活函数,对静默神经元恢复更新利用,深层次摄取图像之间的时间和空间信息,丰富神经网络特征结构;并且结合批量归一化处理,使信息素点规则化重新分布,有助于高效完成特征提取,提高收敛速度。在UCF-50公共数据集上的实验结果表明,该模型的准确率达到91.25%,相比其他方法至少提高6%,验证了模型的有效性。     

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。     

基于人体骨架特征学习的动作识别

动作识别是计算机视觉研究中的一个基本但具有挑战性的问题.在过去的几年中,许多基于RGB视频的识别技术已经得到了巨大的发展,并取得了显著的成果.但是,处理RGB视频可能非常耗时.其中,在动作识别领域,人体骨架数据具有轻量级的特点,同时对人体外观、环境背景等信息具有不变性,因此,这种数据模态受到了越来越多的关注.然而,基于人体骨架的动作识别面临两个问题:人体骨架数据的噪声问题和数据标注的依赖问题.噪声问题是指骨架数据中存在噪声影响数据的准确性,而数据标注依赖问题则是指在监督学习中,需要大量的标签数据进行训练.本文针对人体骨架数据在采集中的噪声问题,提出了一种基于噪声适应的动作识别模型,设计了回归模型和生成模型充分利用不同场景下的噪声数据特点.并且针对人体骨架数据过于依赖标签数据,利用自监督学习方法,提出了一个基于多任务自监督学习的动作识别方法.     

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BSN和CHMMs的人体日常动作识别方法研究

应用人体传感器网络(body sensor networks,BSN)识别人体日常动作可以有效地提高对老年人、慢性病人,以及术后病人等特殊人群的医疗监护质量.为此建立了一个基于BSN的人体日常动作监督平台,应用采集到的加速度信号识别9个常见的人体日常动作.针对动作识别过程中存在的多传感器数据融合问题,提出一种基于耦合隐马尔可夫模型(coupled hidden Markov models,CHMMs)的动作识别方法.实验结果显示,与已有动作识别方法相比,提出的基于CHMMs的动作识别方法的识别正确率有明显的提高.     

基于灰度共生矩阵的纹理特征景物识别

随着信息技术的发展,纹理分析是近年来图像分析领域的研究热点．纹理分析主要应用于纹理分类、纹理分割、纹理合成等方面,应用十分广泛．本文主要介绍用灰度共生矩阵提取纹理特征值,并根据特征值判断景物类别的方法．该方法既能描述图像的灰度分布信息,又能表达局部细节．     

改进的mRmR特征选择方法在人体行为识别中的应用

在基于惯性传感器人体行为识别的研究中,特征选择的作用是挑选相关特征,以提高分类性能,去除冗余特征以降低计算复杂度。针对传统的过滤式特征选择方法仅使用一种相关度量系数筛选特征效果不佳的问题,提出一种改进的基于最大相关与最小冗余(mRmR)准则的特征选择方法。该方法在基于mRmR准则下,采用多种相关度量系数融合的方式,在考虑分类类别的条件下,分析待挑选特征与已选特征间的相关性对特征筛选可能产生的积极影响,以去除部分冗余、不相关特征,进而得到初选特征子集;然后利用二进制数对筛选后的特征编码,通过遗传算法搜索最优或次优特征子集。分别使用SVM和KNN分类器对7种日常行为进行分类。实验结果表明,与其他几种方法相比,该方法对实验分类的7种行为有最高的总体平均识别精度,通过SVM和KNN分类的各行为总体平均识别精度分别达到了97.02%和95.73%,与传统的mRmR方法相比,分别提高了13.72%和9.92%。     

基于统计特征融合的人脸识别

从理论上分析了PCA分析的主元特征向量仅仅表示了图像的整体信息,不能表示图像的微小变化,而非零最小特征向量仅仅反映了图像的细微变化,将主元特征向量和非零最小特征向量进行有机的结合,并用于人脸统计识别. 试验结果表明,本文介绍的方法比PCA的人脸识别方法优越, 在一定程度上克服了人脸姿态表情的影响.     

基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别

为了能够充分利用局部放电(Partial Discharge, PD)信号中包含的特征信息,提高变压器内部局部放电类型的识别率,文中提出了一种基于小波变换(Wavelet Transform)和灰度-梯度共生矩阵(Gray-GradientCo-occurrence Matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点,设计四种局部放电缺陷类型,在实验室搭建变压器局部放电实验检测平台,通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图;然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量;将特征向量输入到支持向量机(Support Vector Machine,SVM)分类器进行模式识别。结果表明,小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。     

基于轮廓检测的自然图像分割

提出一种基于轮廓检测的自然图像分割方法,该方法结合了MDL(最小描述长度)统计技术和用变分水平集函数求解活动轮廓模型的图像分割方法.该方法可有效的分割出图像中最突出的感兴趣目标,实验表明本方法与当前技术相比分割效果更好.     

基于特征提取的健美操分解动作图像自适应识别方法

为了解决传统方法容易受运动速率、光照情况、遮挡、复杂背景等的影响,导致识别结果鲁棒性较差的问题,通过特征提取方法研究了健美操分解动作图像自适应识别问题。通过时间能量金字塔把视频序列划分成若干段,得到结果中动作并非全为健美操动作,含大量干扰信息,通过背景消减法对进行健美操运动的人体目标进行提取,进行进一步处理,得到人体轮廓的二值图像序列,求出轮廓外界矩形宽度和高度之比,依据宽高比获取关键帧,通过拉普拉斯法求解相邻差异帧与间的光流,降低背景杂波产生的影响。针对关键帧提取特征向量,通过相似性检测对待识别健美操分解动作图像和提取特征进行匹配,设定相似性阈值,将相似性高于阈值的图像作为识别结果。结果表明：所提方法对单人健美操视频数据库的识别准确率高,仅存在一定程度的混淆;所提方法对含不同场景的复杂数据库的识别准确性和其它方法相比最高。可见所提方法受外界环境干扰小,可保证高识别精度。     

基于个体特征和纹理特征的视频人数统计算法

视频人数统计利用视频图像特征,通过监测公共场所中的人群密度,可防止公共场所人群拥堵,确保行人安全.提出一种改进的视频人数统计算法,对于中低密度人群,利用个体特征法实现人数统计,对于高密度人群,利用纹理特征法实现人数统计.使用提出的算法,设计了视频人数统计系统,分别对多组视频进行了测试,测试结果表明该算法误差较低.     

kPCA特征提取算法的自动目标识别

分析了主成分分析（PCA）与核主成分分析（kPCA）的基本原理,比较了两者在处理数据方面的性能,得出了kPCA比PCA在处理非线性可分数据方面具有优势的结论．依据几何绕射理论（GTD）,通过Matlab仿真方法得到HRRP（高分辨距离像）数据,并以这些数据作为训练和测试样本,结合SVM分类方法,分别测试比较了基于4种不同核函数的分类识别性能,得出基于高斯核函数主成分分析的自动目标识别系统性能明显好于其他3种核函数的结论．