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。     

基于关节点数据的双人交互行为识别

近年来基于RGB视频的双人交互行为识别取得了重大进展,但RGB视频数据的问题严重影响双人交互行为识别率。随着深度传感器(如微软Kinect)的快速发展,为准确获取人体运动的关节点数据提供了可能,可以大大的弥补RGB视频数据的不足。提出一种基于关节点数据的双人交互行为识别方法。首先对关节点数据计算出HOJ3D特征和关节距离特征,并将特征按照时间顺序进行图形化后分别送入的卷积神经网络中,分别提取两种深层次特征并进行拼接,然后使用Softmax分类器进行分类识别。该方法在SBU Kinect动作数据集的测试结果表明,该方法的识别准确率得到了一定的提高,达到了94.4%。该方法实现简单,且具有实时处理的能力,具有较好的应用前景。     

行人再识别问题中背景抑制方法的研究

行人再识别是指,在不同时间空间下视角不重叠的摄像机视图中同一行人图像的匹配问题。行人再识别在视频监控方面具有重要的应用价值,是智能监控系统的重要基础。然而,由于摄像头性能不高、监控场景变化、行人的移动性等因素,在现阶段行人再识别存在图像分辨率低、光照背景变化、视角变化、姿态变化等诸多挑战。分析发现直接去除背景会在边界处引入新的梯度信息,从而使得行人再识别模型的性能变差。对此,提出了一种简易的、基于高斯加权的背景抑制方法,能有效抑制背景以提升行人再识别模型的性能。     

基于智能图像分析的变电设备状态识别技术研究∗

从变电站监控系统的应用概况出发,提出了一种基于深度学习技术的变电站视频监控隐患排查方法,通过训练深度学习网络模型以实现对监控视频中安全隐患的智能识别,具体包含视频质量检测、违章行为识别、安全风险识别、变电站设备故障识别、隔离开关设备状态识别等.另外,通过构建安全隐患数据集并进行实验初步验证了该方法的可行性,为智能图像识别技术在电力系统的应用提供参考.     

基于机器学习算法的变电站内视频监控场景异常感知

为解决变电站内视频监控场景异常感知能力弱的问题,开展基于机器学习算法的变电站内视频监控场景异常感知方法研究.通过建立变电站内视频监控场景异常映射集,基于机器学习算法,训练提取视频监控场景异常特征,感知变电站内监控视频场景异常,实现自动报警能力.实验结果表明设计方法能满足变电站安全监控的自动场景异常识别功能需求,可提供更智能化的安全监控解决方案.     

基于粒子滤波模型目标跟踪算法研究

本文基于视频图像中目标的基本特征——灰度特征,提出了一种基于粒子滤波模型实现目标跟踪的方法。文中介绍了粒子滤波模型的原理,并且在该原理的基础上,提出了目标跟踪的算法框架。详细闸述了实现该算法具体的流程,给出了视频序列图像的实时仿真结果。基于粒子滤波模型的目标跟踪算法,不但在非线性非高斯状态下,能够对目标进行有效跟踪,还可以消除由光照变化以及部分遮挡造成的影响,具有较强的鲁棒性。     

基于选择性贝叶斯分类的非侵入式负荷识别方法

非侵入式负荷识别可以提供用电信息,帮助用户改善用电习惯,是智能用电的关键技术。现有非侵入式负荷识别方法主要基于负荷的稳态特征进行识别,对稳态特征近似的负荷识别率不高。针对此问题,该文结合各类家用负荷在投切过程中的不同特点,提出了一种基于选择性贝叶斯分类的识别方法。首先,利用模拟退火算法从特征库中依据负荷特点选择出对于各类负荷最具辨识度的特征;然后,根据选择的特征和高斯核密度估计方法建立灵活贝叶斯分类器;最后,通过计算各负荷的后验概率对负荷进行识别。经实测数据检验,该方法具有良好的识别精度和计算速度。     

基于动态时间规整的人体动作识别方法

为了准确识别人体动作,提出了一种基于动态时间规整的人体动作识别方法。首先,该方法通过KINECT摄像头采集人体动作动态骨架序列构建动作模板。然后,通过动态时间规整算法计算被测试样本与单个模板以及模板组合的序列相似度,从而有效利用动作序列所对应动态骨架的序列特性实现人体复杂动作的识别。比较实验表明所提出方法能够准实现多类动作识别,并对于动作速率等外因具有较强鲁棒性。     

基于峰值特征高斯混合建模的SAR目标识别

提出了基于峰值特征高斯混合建模的合成孔径雷达(SAR)自动目标识别(ATR)识别方法。该方法首先提取待识别SAR图像及与其对应模板图像的峰值特征;然后采用高斯混合模型对两组峰值特征集进行概率建模。建立的高斯混合模型描述了峰值特征集的内在结构及变化规律。采用KL散度评价高斯混合模型的距离,最后基于待识别图像的峰值特征集与各类模板图像峰值特征集的距离大小决定目标类别。为了验证提出方法的有效性,基于MSTAR三类目标数据集进行了目标识别实验。     

基于图像匹配的输电导线舞动监测方法

输电导线舞动对电网的安全运行造成了严重威胁。为此,提出了基于图像匹配的输电导线舞动监测方法。通过输电导线视频监控装置获取导线舞动的视频信息,以输电导线舞动视频中截取的多帧连续图像为研究对象,选取导线间隔棒作为跟踪目标来创建轮廓特征模板,通过匹配导线间隔棒来定位导线位置和计算舞动偏移量。该方法首先提取出未发生舞动时导线上的间隔棒进行模板创建;再对输入的待分析图像进行预处理,从而确定模板待匹配区域;最后通过后续视频帧图像中的全图搜索进行轮廓特征匹配,通过匹配成功的导线间隔棒来确定导线位置。实例分析结果表明,该方法能够匹配跟踪到导线舞动位置,并计算出导线舞动的相对偏移量和偏移角度。     

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。     

基于差异的图像特征描述及其在绝缘子识别中的应用

文中提出了一种新的特征描述方法用于目标识别以及实际航拍图像的绝缘子识别。定义了一种差异的计算方法,将图像的灰度值矩阵转换为差异值矩阵,将人眼对图像灰度差异敏感度的非线性关系转换为线性关系;之后针对差异值、形状、角度等特征进行区域描述以及区域之间联合特征描述。通过实验验证,提出的描述方法可以表示图像的灰度差异、形状变化等多个特征,将新的描述方法应用到实际航拍图像中,可以实现对绝缘子的识别。     

采用Fisher线性判别法提取GIS内部局部放电信号最优能量特征

采用二元树复小波变换（DT-CWT）对特高频局部放电（PD）信号进行多尺度分解,求解了复小波最优分解层数,提取了最优分解尺度下的特高频 PD信号实部和虚部高频层小波能量,并采用Fisher线性判别方法对能量特征进行选择,最后进行PD类型辨识。识别结果表明：优选后的实部和虚部高频层小波能量特征可以有效识别4种典型绝缘缺陷,识别率均达到了92.5%及以上,且最优复小波能量（OCWEF）特征在PD类型辨识中具有更优的敏感性和识别效果。     

一种改进的复合运动空间目标微动周期估计方法

提出一种基于Viterbi算法与时频差值平方和序列的微动周期估计方法。雷达目标的微动状态与目标动力、结构高度相关,不同目标具有显著的差异性,反映了目标的重要信息,可用于辅助目标探测及识别,具有重要作用。在雷达目标微动特性的研究中,诸如导弹等空间目标是研究的热点,目前已发表了大量关于空间目标的微动特征提取方法。对空间目标,其通常是平动与微动相耦合的复合运动目标,在进行微动特征提取时需考虑平动的影响。针对复合运动空间目标进行研究,提出一种基于Viterbi算法与时频差值平方和序列的微动周期估计方法,其中Viterbi算法可在低信噪比情况下目标瞬时多普勒的鲁棒估计,时频差值平方和序列则能够有效去除目标平动的影响,所提方法具有良好的估计性能。仿真结果验证了估计方法的有效性。     

An adaptive kernel‐based target tracking method based on multiple features fusion

A new adaptive kernel‐based target tracking method is proposed to improve the robustness and accuracy of target tracking in a complex background. A linear weighted combination of three kernel functions of scale‐invariant feature transform (SIFT), color, and motion features is applied to represent the probability distribution of the tracked target. Appearance and motion features are combined to enhance the target region location stability and accuracy. The size of the tracking window can be adjusted in real time according to the affine transform parameters of the corresponding SIFT couples. The weights of three kernel functions are also adaptively turned according to the scene, in order to better extract the features. Experiments demonstrate that the proposed algorithm can track the moving target successfully in different scenarios. Moreover, it can handle target pose, scale, orientation, view, and illumination changes, and its performance is better than that of the classic Camshift algorithm, SIFT‐based method, the and color SIFT‐based method. © 2011 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

Recognition of control chart patterns using swarm intelligence and neural networks based on the statistical and shape features

Automatic recognition of abnormal patterns in control charts has seen increasing demands nowadays in the manufacturing processes. In this paper, a hybrid intelligent system is proposed for the recognition of control chart patterns. In this system, we have used a proper set of shape features and statistical features as the efficient characteristics of the patterns. Then we proposed a hybrid heuristic recognition system based on particle swarm optimization to improve the generalization performance of the radial basis function neural network classifier. For this purpose, we have optimized the classifier design by searching for the best value of the parameters that tune its discriminate function. The obtained results show that the proposed technique has high recognition accuracy in comparison with other techniques. This recognition accuracy is achieved with fewer training samples. IEEJ Trans 2010 DOI: 10.1002/tee.20610     

基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

基于MODWPT与LFDA的模拟电路故障诊断

在模拟电路故障诊断过程中,存在故障特征信息提取不充分以及特征信息冗余的问题,对此,提出一种基于最大重叠离散小波包变换(MODWPT)与局部Fisher判别(LFDA)的模拟电路故障诊断方法。该方法中,首先利用MODWPT进行模拟电路原始信号处理与故障特征提取;随后,针对高维特征集中存在冗余信息,不利于模式识别与分类,利用LFDA方法进行降维,获取更有益于故障模式识别的低维特征集;最后,支持向量机(SVM)作为故障模式识别分类器,在此基础上构建模拟电路故障诊断模型。电路仿真实验结果表明,所提出方法的最大故障诊断准确率可达99.17%,从而验证了所提方法的有效性。