基于加权三视角运动历史图像与时序分割的动作识别算法

针对当前人体动作识别算法中由于人体躯干遮挡而导致其检测精度不佳的问题,提出了一种基于加权三视角运动历史 图像耦合时序分割的动作识别算法。 首先,为了有效描述动作的形状和空间分布,从视频序列中提取运动历史图像(motion history image,MHI)。 随后,应用深度相机(Kinect 相机)来提取深度图像,以获取人体目标的动作前景轮廓。 为了识别由于身体 部位造成的自我遮挡,动作前景轮廓被投影到 3 个视角(3V)平面,形成 3V-MHI,增强了对动作的正确提取,利用 3V-MHI 构造 了一个用于记录观测运动轨迹的 MHI,克服了单视角 MHI 的信息局限性。 然后,利用时序分割( temporal segmentation,TS),根 据相邻的 3V-MHI 来计算动作的能量和方向的变化,以检测运动的开始和结束,从而输出运动结果。 此外,计算 MHI 的梯度值 作为每个平面对应的权重,从而得到加权 3V-MHI。 最后,将提取的每个直方图运动模板与预先建立的数据库进行比较,完成动 作的分类识别。 实验表明,该方法能有效地解决自遮挡问题,在复杂环境和光照变化下有较高的准确性与鲁棒性。     

基于传统图像处理算法和深度学习的轨道区域识别研究

异物侵入是造成铁路安全事故的重要原因,检测异物入侵的前提是准确的轨道区域识别。传统图像处理算法基于轨道图像的边缘特征和直线特征,综合运用Sobel算子和Hough变换识别图像中的铁轨,然后确定轨道区域。深度学习技术快速发展,在图像处理等方面展现了巨大的潜力。利用深度学习的目标检测算法,基于MaskR-CNN模型,训练轨道区域识别系统,通过在实际图片上验证效果,证明了系统识别的有效性。     

基于 Hough算法的SF6仪表图像处理技术的研究∗

在智能图像识别S F6仪表的数据处理中,首先需要找到S F6仪表在图像中的位置,以减少后续图像数据量并增强识别效果.对此提出一种基于改进Hough算法的SF6仪表图像处理技术,其通过图像预处理、改进的Hough算法处理,能准确识别S F6仪表在图像的位置.     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

引入GAN与可变形注意力的多维人体运动分析

研究了一种用于肢体状态评估和运动姿态校正的人体运动分析系统。首先，针对人体运动时易出现的遮挡等问题，通过引入可变形注意力和生成对抗网络优化人体关键点热图位置检测，在Transformer的基础上设计了一种人体关键点识别算法。其次，利用所提出的算法，结合人体姿态的肢体空间约束关系以及体态分析相关知识，设计了一套运动分析系统。最后，通过在公共数据集上和真实场景中的测试，从质化和量化两个角度对所提出的算法和系统的可行性进行了评估实验。实验结果证明，本文算法在公共数据集上的检测精度最高可达937%；在实际场景的测试中，本文设计的算法和运动分析系统可以有效解决人体姿态识别中常见的遮挡等问题，并通过可视化系统展示了对人体运动姿态的多维度分析结果。     

结合残差网络与多级分块结构的步态识别方法

针对步态识别中由于衣着与背包的遮挡造成不能提取有鉴别性的步态特征,从而导致识别准确率不高的问题,提出一 种结合残差网络和多级分块结构的步态识别方法。 首先在水平方向上对步态能量图进行不同尺度的多级分块,以提取不同区 域的细粒度特征,减少局部遮挡对于其他区域的影响,同时为了更好地学习在步态中运动频率最高区域的特征,在腿部加入 Inception 模块;其次为了提升网络模型的识别精度,结合交叉熵损失、三元组损失、L2 正则化对残差网络的权值进行约束。 最 后在公开的步态数据集 CASIA-B 和 OU-ISIR Treadmill B 上进行实验,在携带背包或不同衣着条件下的识别率分别达到了 87. 5%、82. 6%,表明该模型对于衣着与携带背包的条件具有鲁棒性。     

基于HOG特征的步态能量图身份识别算法

由于步态能量图像(GEI)是对二值轮廓图像序列相加求平均,然而,二值轮廓图像只能捕获人体轮廓的边界信息,人体的内部边界信息会被完全的丢弃掉,基于GEI算法的缺陷,提出了一种基于人体目标图像的方向梯度直方图(HOG)特征的GEI识别算法,此算法不仅能捕获人体轮廓的边界信息,而且还能提取人体重合的边界信息.获取人体目标图像的HOG特征的步态能量图,首先使用视频前景分割算法提取人体目标图像,然后提取图像序列中每帧人体目标图像的HOG特征;最后对图像序列中的每帧HOG特征图像相加求平均.在此基础上,依据GEI和HOG的思想,又实现了对传统步态能量图、二值轮廓图像序列、人体目标图像步态能量图进行HOG特征提取及直接构建人体目标图像步态能量图特征的表示,从而提出了 4种拓展的能量图构建方法,并针对这5种算法与经典的GEI算法利用CASIA步态数据库进行了实验分析对比,实验结果表明算法效果良好.     

基于双特征融合与自适应提升机制的图像动作识别算法

针对复杂环境中动作识别易受到光照变化、目标旋转,遮挡等导致目标位置不精确,目标漂移以及识别错误等问题,提出了一种基于双特征融合与自适应提升的动作识别算法。首先,基于时空上下文(spatio-temporal context,STC)机制,通过时空上下文关系与视觉系统特性来提取图像序列特征,降低光照变化、遮挡对行为动作的影响;同时,利用卷积神经网络(convolution neural network,CNN)来处理图像序列,分别获得STC特征与CNN特征;其次,引入主成分分析算子,定义双特征融合规则,对获得STC特征与CNN特征进行组合,形成一种更准确、完整的特征表示;然后,通过得到的新特征,利用自适应提升算法(adaptive boosting algorithm,ABA)进行分类训练,完成对行为动作决策判断。在Weizmann、Hollywood数据集上测试表明,相对于当前常用的动作识别方法,所提算法对各种行为动作具有更高的识别精度与鲁棒性,更能适应复杂背景和动作变化。所提算法具有较高的人体动作识别精度,在视频监测、人机交互等领域具有一定的应用价值。     

一种基于嵌入空间的防遮挡的多目标跟踪算法

在视频监控中准确识别发生遮挡的目标是视频监控系统中面临一个难点,现在流行的运动目标跟踪算法由于基于检测之上,无法准确判断相互重叠之间的关系。提出一种基于基于嵌入空间识别遮挡关系的方法,在此基础上实现多目标的跟踪。具体的方法是构建遮挡关系函数明确表示发生遮挡目标之间的关系,并将之合并到跟踪算法框架内。同时,对联合状态预测函数进行分步处理,使得多目标的跟踪问题变成在嵌入空间中的分类问题。实验结果表明算法能在有遮挡情景下有效实施目标跟踪,并且,定量分析表明与其他算法相比提高一个数量级。     

基于CCD图像处理的焊缝识别技术研究

在分析焊缝的CCD数字图像信息的基础上,提出了优化的图像处理和焊缝提取算法,有效地实现了焊缝的识别。对图像进行预处理,设计了扩展的自适应中值滤波器以去除噪声和干扰;提出了改进的自适应阈值分割法(Otsu)对图像进行二值化,得到二值图像;选择Roberts算子识别焊缝边缘信息,并采用Hough变换获取焊缝中心线,得到焊缝的坐标值。在VC++平台上分析和处理焊缝图像,实现上述算法,结果表明,所设计算法不仅能够快速、准确地识别焊缝,而且具有计算量小、实时性强的优点,有很高的理论和应用价值。     

基于彩色区域识别快速报警指针识别算法

针对电力监测系统中使用的彩色仪表,提出了一种基于彩色区域识别的快速报警指针识别算法。传统直线检测采用Hough变换,具有存储空间大,计算时间长等缺点。创新性地将图像彩色信息和Hough变换相结合,通过识别指针所在的区域颜色,判断是否需要报警输出,并为下一步精确识别指针示数确定Hough变换的搜索范围,通过减小搜索范围来减少Hough算法需要的内存空间和计算时间。实验结果表明,改进算法比传统算法具有明显更高的效率。     

基于图像处理的断路器压力表计识别技术的研究

变电站中断路器大多采用指针式仪表监控其压力值,依靠人工巡视的方法记录压力值是日常变电站运行维护的重要内容,但其存在效率低、结果不准确等缺点,因此有必要展开基于图像处理的断路器压力表计自动识别算法的研究。本文采用预处理手段对采集到的图像进行处理,获得容易提取图像特征的图像,提出一种改进的Hough变换方法和指针式仪表示值的判读方法,最后建立Matlab仿真对所提出改进方法进行验证。结果表明:本文提出的改进的Hough变换方法可避免检测到的直线与实际指针中心线存在一定的偏差或者检测到非指针,快速确定指针位置,算法识别的仪表读数与实际示数较接近,本文提出的断路器压力表识别算法是有效的。     

基于改进 Hough 变换耦合密度空间聚类的车道线检测算法

为了提高车道线检测的准确性与鲁棒性,降低光照变化与背景干扰的影响,提出了一种改进的 Hough 变换耦合密度空 间聚类的车道线检测算法。 首先,建立车道线模型,将车道边界分解为一系列的小线段,借助最小二乘法来表示车道线中的线 段。 再利用改进的 Hough 变换对图像中的小线段进行检测。 引入具有密度空间聚类方法( density based spatial clustering of applications with noise, DBSCAN),对提取的小线段进行聚类,过滤掉图像中的冗余和噪声,同时保留车道边界的关键信息。 随 后,利用边缘像素的梯度方向来定义小线段的方向,使得边界同一侧的小线段具有相同的方向,而位于相反车道边界的两个小 线段具有相反的方向,通过小线段的方向函数得到车道线段候选簇。 最后,根据得到的小线段候选簇,利用消失点来拟合最终 车道线。 在 Caltech 数据集与实际道路中进行测试,数据表明:与当前流行的车道线检测算法相比,在光照变化、背景干扰等不 良因素下,所以算法呈现出更理想的准确性与稳健,可准确识别正常车道线。     

基于阈值差分的绝缘子缺陷识别算法

为了准确识别出绝缘子缺陷,防止绝缘子破损导致输电线路不能正常运行的问题,提出基于阈值差分的绝缘子缺陷识别算法。首先对图像进行预处理,然后进行自适应阈值分割完成图像二值化,通过形态学处理消除琐碎区域,使用边缘检测算子提取绝缘子边缘。将故障绝缘子与正常绝缘子作差提取缺陷图,依据缺陷像素大小与阈值的关系判断绝缘子的破损情况。将缺陷图二值化后使用矩形框标定。实验结果表明所提出的算法对绝缘子缺陷识别具有一定现实意义。     

结合DRLSE模型的自适应医学图像分割算法

最近提出的距离正则化的水平集演化新模型采用高斯滤波去除图像噪声,存在使图像边缘变模糊和仍然不能实现自适应分割的问题.为了解决这些问题,采用正则化的P-M方程滤波,实现在去除噪声的同时保护图像边缘信息.并且通过初始曲线内外梯度模值的信息改变曲线单位法向量的方向,从而使曲线自适应地向内或者向外演化.最后,用改进的算法准确地...     

基于Snake算法的圆盘仪表示数识别技术研究

仪表示数的自动识别对于自动检测和自动控制具有重要意义,文章以圆盘仪表示数的自动识别为研究内容展开研究。提出了一种基于Snake算法的自动识别方法,整个算法分为Hough变换粗定位圆形特征、Snake算法精定位圆形特征、Hough变换检测直线特征三个环节。此方法以Hough变换检测的圆形特征为初始条件,进而根据Snake模型的内力和外力,引导Snake曲线向更加精确的圆形特征逼近。针对压力表图像展开相应的实验研究,实验结果证实了基于Snake算法的自动识别方法的有效性。     

SAR图像多层次正则化增强及在目标识别中的应用

正则化方法可以有效提取合成孔径雷达(SAR)图像中的目标特性,增强原始SAR图像质量。通过调整正则化系数构造多层次的正则化增强结果,并将其应用于SAR目标识别。多层次的正则化增强结果可以全面细致地反映目标散射中心的分布规律并通过互补的方式为目标识别提供更多的信息。为了充分发掘各个层次的鉴别力以及它们之间的内在联系,采用联合稀疏表示作为分类器完成目标识别。为了验证提出方法的有效性,在MSTAR数据集上进行了目标识别实验并与几类经典的SAR目标识别方法进行了对比。     

非限制环境下的低秩协同人脸性别识别研究

人脸性别识别是计算机视觉和机器学习的热门研究课题,但目前大多数的人脸性别识别算法对自然环境下的图像进行识别的效果并不理想,识别正确率与实际应用差距较大。采用低秩分解和协同表示来提高人脸性别识别的正确率和鲁棒性。在提取特征前采用低秩分解配准未对齐的图像并降低污染和噪声的影响,使得提取的特征能够很好地反映图像原有的信息。识别环节采用稀疏表示的改进算法—协同表示,其使用l2范数替代l1范数优化问题易于求解。在实验中,选用AR,CAS-PEAL和You Tube三种数据库对算法进行测试,结果表明本算法性能与其他主流算法相比有明显优势。     

木门生产线中运动状态下条码定位与复原

针对木门生产线中对于运动状态下条码定位不准以及由于相对运动所产生的图像退化,提出一种解决方法。对于大范围中复杂木门背景条件下条码的定位,采用Canny算法对图像进行边缘提取,并对边缘检测结果通过Hough变换检测图中竖直直线。再将图像分条,并通过DBSCAN聚类算法对条码特征进行分条判断,将符合特征的区域提取出即为目标条码区域。对于生产线中采用CMOS相机拍摄运动物体产生的运动模糊的图像退化,通过结合生产线运行速度及方向与相机参数计算出系统的退化模型,再采用维纳滤波对运动退化条码图像进行复原。通过图像处理能使生产线在不改变硬件条件下达到对于运动状态下木门条码的有效定位与复原。能准确定位木门背景下小占比的多个条码区域,并能对定位出的条码区域高效、快速的复原。经过实验与生产实践证明该算法经济、简单、有效。     

不相干约束项的判别字典表示电能质量扰动分类研究

针对稀疏表示电能质量扰动识别中判别字典学习的冗余性,提出一种具备精简性和不相干约束项的判别字典学习电能质量扰动分类方法。首先,将不同电能质量扰动样本训练获得子字典,公共字典和判别字典。接着,利用判别字典优化方法求解出降维测试信号的稀疏表示。最后,利用稀疏表示重构方法求解测试样本,由冗余残差最小值确定电能质量扰动信号的类型。不相干约束项的判别字典学习方法是在训练字典的过程中直接驱使字典具有判别性,获得更加精简且具有判别性的稀疏字典来提升最终的识别性能。实验结果表明8类电能质量扰动信号在40、30、20 d B信噪比递减时,平均扰动识别率有所降低但平均识别精度仍高达96%以上。仿真实验结果表明该方法能有效的对不同电能质量扰动进行识别并提高识别结果的精确度,并且不相干约束项的判别字典算法更优化于判别字典学习算法的分类识别性能。