摔倒行为视频监控及报警系统

针对当前视频监控系统对摔倒行为识别率低的情况,本文提出了一种摔倒行为实时监控预警的方法,解决了视频监控系统对摔倒行为误报、漏报等问题。首先,采用图像识别的方法对人的动作方向特征进行提取;其次,基于运动方向的隐马尔科夫模型(HMM)进行动作分割,在视频中分割出人的一些常见的动作;最后,依据这些动作的组合判断下一时刻是否存在摔倒行为,进而发出警报。该监控预警方法可对进入监控区的人与其他物体域进行自动区分,为行为监控系统提供一种理论依据。     

基于人体关节点的行为识别算法研究

针对目前大多数行为识别算法可识别动作单一且复杂背景下准确性较低的问题,提出一种基于关节点的行为识别方法,首先,使用多目标跟踪模型FairMot将视频中的人体用矩形框标记,然后再使用姿态估计模型AlphaPose模型估计视频中人物的骨骼关节点位置,同时将人物关节点数据进行组合,使其能够代表动作特征,最后,利用长短期记忆网络将组合出的动作特征序列作为输入进行识别,最终输出为某一具体动作。实验结果表明,直接对人物关节点进行动作识别,去除了背景等干扰,识别的准确率达到了91.73%,实现了特定场景下的行为识别。     

体育视频中动作识别技术研究综述

随着中国成功举办多项国际体育赛事以及互联网短视频平台的兴起,视频数据呈爆炸式增长,且体育运动越来越受到人们的关注,体育视频中的动作识别成为计算机视觉研究的一大热点问题。本文综述了体育视频中动作识别技术现有应用与研究方法,第一部分回顾了近年来动作识别在体育赛事中的应用现状,将其归纳为辅助判罚、精彩动作集锦、体育新闻自动生成。第二部分总结了体育视频动作识别相关数据集。第三部分回顾了近年来动作识别在体育视频中的实现方法,将其总结为基于传统手工特征的算法和基于深度学习的算法,基于深度学习的算法将其归纳为基于2D模型、基于3D模型、基于双流/多流模型、基于Transformer模型,并总结了各模型的优缺点。最后,讨论了体育视频动作识别的难点与挑战。     

基于卷积神经网络的视频行为识别技术应用

为提高视频行为识别技术在实际应用中性能,本研究基于卷积神经网络算法,对视频行为识别进行了深入研究分析。通过引入多层卷积、池化操作及结合注意力机制和多模态融合等技术手段,设计了基于卷积神经网络的视频行为识别模型,并通过损失函数与算法选择、模型优化与改进来完善模型视频行为识别能力。通过在MATLAB仿真软件中进行实验测试,结果表明,本视频行为识别模型在各项指标上表现出了良好性能与鲁棒性,具有较强的应用价值。研究结果可为视频行为识别领域研究带来新进展。     

视频网络数据分析系统设计

视频网站用户数据挖掘技术对广电旗下各网路电视台而言至关重要,有效的视频挖掘技术可以优化视频内容制作和利用,改善网站整体的友好度并提高网站访问量。本文提出了适用于视频网站的数据挖掘系统模型,并以上海电视台所属的看看新闻网数据挖掘系统为例介绍视频网站数据挖掘系统的实际构建。     

Web日志与浏览行为结合下的用户浏览兴趣数据挖掘分析

针对用户浏览兴趣模式数据的收敛性和准确度不高的问题,提出一种基于Web日志与用户浏览行为结合的用户浏览兴趣模式数据挖掘模型。首先设计Web日志与用户浏览行为结合的用户浏览兴趣模式数据信息流模型,进行用户浏览兴趣模式的频繁项特征提取和Qo S预测;然后采用Web日志与用户浏览行为结合的行为调度模式自适应检索用户浏览网页的兴趣特征点,实现语义特征匹配,达到用户浏览兴趣模式数据挖掘的目的;最后通过仿真实验实现性能验证。结果表明,该方法的用户浏览兴趣特征点的匹配度高,数据挖掘精度得到提升,展示了优越性能。     

视频网站数据分析系统设计

对广电业旗下各网络电视台而言,视频网站数据挖掘技术至关重要,有效的视频挖掘技术除了可以优化在视频内容制作和利用,并可向用户提供更多符合其访问习惯的内容,改善网站整体的友好度并提高网站访问量。本文提出了适用于视频网站的数据挖掘系统模型,并以上海电视台所属的"看看新闻网"数据挖掘系统为例介绍视频网站数据挖掘系统的实际构建。     

基于深度学习的视频中人体动作识别进展综述

视频中的人体动作识别是计算机视觉领域内一个充满挑战的课题.不论是在视频信息检索、日常生活安全、公共视频监控,还是人机交互、科学认知等领域都有广泛的应用.本文首先简单介绍了动作识别的研究背景、意义及其难点,接着从模型输入信号的类型和数量、是否结合了传统特征提取方法、模型预训练三个维度详细综述了基于深度学习的动作识别方法,及比较分析了它们在UCF101和HMDB51这两个数据集上的识别效果.最后分别从视频预处理、视频中人体运动信息表征、模型学习训练这三个角度对未来动作识别可能的发展方向进行了论述.     

基于数字电视数据挖掘的新一代电视电子商务系统平台

本文介绍了基于数字电视数据挖掘新一代电视电子商务系统平台的技术方案。该平台通过多屏互动、电视映像触控,结合数据挖掘、行为分析技术,突破传统电视购物的交易方式,为数字电视用户提供了一种新颖、时尚的购物消费模式,并可以对接广电运营商的BOSS系统、在线支付系统,使用户能方便、快捷地在电视上进行购物并支付。     

基于网络数据挖掘的移动视频客户数据支撑体系

将数据挖掘技术应用于移动视频客户数据支撑和分析,设计出一套基于网络数据挖掘的移动视频客户数据支撑体系。该体系通过多种方法对海量的网络数据进行收集,经过预处理后形成客户数据仓库,在此基础上进行数据挖掘,最终生成客户数据对象的特征信息和监控对象之间的关联信息,以达到精准分析客户行为,精准市场营销的目的。     

基于循环区域关注和视频帧关注的视频行为识别网络设计

视频帧中复杂的环境背景、照明条件等与行为无关的视觉信息给行为空间特征带来了大量的冗余和噪声,一定程度上影响了行为识别的准确性.针对这一点,本文提出了一种循环区域关注单元以捕捉空间特征中与行为相关的区域视觉信息,并根据视频的时序特性又提出了循环区域关注模型.其次,本文又提出了一种能够突显整段行为视频序列中较为重要帧的视频帧关注模型,以减少异类行为视频序列间相似的前后关联给识别带来的干扰.最后,提出了一个能够端到端训练的网络模型：基于循环区域关注和视频帧关注的视频行为识别网络（Recurrent Region Attention and Video Frame Attention based video action recognition Network,RFANet）.在两个视频行为识别基准UCF101数据集和HMDB51数据集上的实验表明,本文提出的端到端网络RFANet能够可靠地识别出视频中行为的所属类别.受双流结构启发,本文构建了双模态RFANet网络.在相同的训练环境下,双模态RFANet网络在两个数据集上达到了最优的性能.     

改进相关反馈技术在CBVR人体动作识别中的应用研究

针对CBVR人体动作识别问题,提出利用相关反馈技术与其它技术相结合。首先,分析了从视频中提取人类行为并将其表示成特征集的方法;然后研究了各种基于内容的视频检索方法;最后,将这些技术进行组合得到基于相关反馈技术的最优CBVR人体动作识别方法。在三个行为数据库中(包括UCF运动,UCF视频网站和HOHA2)评估了由上述几种技术组合而成的性能,实验结果为开发高效的基于内容的视频检索系统提供了有益的借鉴。     

视频网站访问数据挖掘系统

随着我国各大电视台所属的网络电视台纷纷上线,视频网站的价值衡量,指导网站建设,从而凸显传统媒体在网络平台上的影响力已成为广电人的一个新研究方向。而视频网站数据挖掘技术作为该研究方向的一个分支,目前已得到一定应用。本文提出了适用于视频网站的数据挖掘系统模型,并以看看新闻网数据挖掘系统为例介绍视频网站数据挖掘系统的系统架构...     

基于对象的时空域压缩视频摘要技术

视频数据挖掘相对于传统的文本数据挖掘的一大难点在于,视频数据占用空间大、计算时耗长,给诸如视频信息挖掘、基于内容的视频检索等研究带来了巨大挑战。其中难以达到计算实时性、信息冗余成为了亟待解决的问题。针对以上问题,本文提出了一种基于对象的时空域压缩视频摘要技术。不仅在时间域上精简压缩源视频,同时将运动对象紧凑地分布至二维空间域上,最大程度地压缩原始视频并且保留有用信息。通过实验表明,与现有的视频摘要技术相比,该技术能够更加直观精简地表达源视频。     

基于3D卷积自编码器的视频异常行为检测

视频异常行为检测是目前计算机视觉领域的热点问题之一.然而,由于异常行为难以具体定义,使得基于监督学习的二类分类方法难以应用在该领域.本文提出了一种无监督的视频异常检测模型,称之为基于时空特征融合的3D自编码器模型(ST-3DCAE).模型采用PWCNet提取场景光流特征图,并与原视频帧融合作为基本单元,由多个基本单元组成连续基本单元作为模型的输入;利用3DConv和ConvLSTM模块进行时空特征的自主提取,3DSEblock模块进行重要特征的筛选;最终,通过输入数据和自编码器重建视频块之间的重建误差,来判断视频是否出现异常行为.通过在UCSD、Avenue等公开数据集上进行验证,实验结果的定性和定量分析证明了本方法具有较好的性能.     

基于TSN的化学实验室人员不安全行为模式识别

不安全行为是导致化学实验室事故的重要原因之一,针对化学实验室人员不安全行为模式识别的研究具有现实意义.本文首先定义了 5种化学实验室人员不安全行为模式,进而根据某高校化学实验室实际场景,构建了不安全行为模式视频数据集,并建立基于时域分割网络(TSN)的化学实验室人员不安全行为模式识别模型,在模型中增加dropout层,...     

基于数据挖掘和变长序列模式匹配的程序行为异常检测

异常检测是目前入侵检测领域研究的热点内容.提出一种基于数据挖掘和变长序列模式匹配的程序行为异常检测方法,主要用于Unix或Linux平台上以系统调用为审计数据的主机型入侵检测系统.该方法利用数据挖掘技术中的序列模式对特权程序的正常行为进行建模,根据系统调用序列的支持度在训练数据中提取正常模式,并建立多种模式库来表示一个特权程序的行为轮廓.在检测阶段,考虑到审计数据和特权程序的特点,采用了变长序列模式匹配算法对程序历史行为和当前行为进行比较,并提供了两种判决方案,能够联合使用多个窗长度和判决门限对程序行为进行判决,提高了检测的准确率和灵活性.文中提出的方法已应用于实际入侵检测系统,并表现出良好的检测性能.     

基于收视行为模式的有线电视用户流失预测

面对激烈的市场竞争,广电运营商一方面需要提升服务质量,吸引新入网用户,同时也需要更加重视对用户流失的预测管理.利用数据挖掘技术进行用户流失预测在有线电视业务中的应用尚处于探索阶段,本文针对有线电视业务的特点,提出了基于RFM模型的流失用户定义,对用户的属性特征进行分析,得出流失用户的基本特征,并提出基于用户的收视行为模式进行流失预测的分析算法,最后通过实际数据进行仿真实验,验证了模型和算法的可行性.     

基于深度学习和智能规划的行为识别

现有行为识别方法在未能持续覆盖造成视频监控盲区所引起行为数据缺失的情况,难以有效实施特征分析、行为分类补全,无法准确识别出智能体完整的行为动作序列.为此,本文提出一种基于深度学习和智能规划的行为识别方法.首先,利用深度残差网络对图像进行分类训练,然后使用递归神经网络对图像特征进行提取深度信息以增强分类效果;其次,运用智能规划的STRIPS （Stanford Research Institute Problem Solver）模型,将深度学习提取的图像特征命题信息转化为规划领域的模型描述文档,并使用前向状态空间搜索规划器推导出完整的行为动作序列.在HMDB51等行为识别公共数据集中,本方法与生成式对抗网络、深度卷积逆向图网络、深度信念网络、支持向量机等同类先进方法相比展现出更好的性能.     

基于层级化特征的人体动作识别

人体是非刚性物体,随着人体形状的变化,底层特征也会发生剧烈的改变,如何在剧烈变化的人体动作中发现其不变性是解决人体动作识别问题的关键。提出了一种基于层级化特征的人体动作识别算法。首先,基于Harris3D检测算法从动作视频中提取人体动作的底层特征;之后,根据人体结构对特征进行区域性的划分,并根据区域划分的精细程度得到高,中,低三层特征集合。利用词袋模型对特征点进行统计,使不同层级的特征映射到相同的特征维度空间。最后,使用隐条件随机模型对人体动作进行训练和识别。大量的实验结果也证明了层级化特征在人体动作识别上的稳定性。