基于卷积神经网络的雷达人体动作识别方法

利用雷达来识别人体动作对环境要求较低,且避免了摄像头带来的的隐私问题。针对这种需求,提出一种基于超宽带雷达和深度学习算法的人体动作识别方法。利用超宽带雷达的高距离分辨力,并针对人体动作的动态特性,提取出人体目标的距离-时间二维特征,弥补单一距离特征的不足。针对特征图采用一种经过优化的卷积神经网络进行识别。通过SIR-20高速探地雷达平台进行数据采集,对8种不同的人体动作进行识别,最终达到了平均99.2%的正确识别率,验证了该方法的可行性和有效性。     

穿墙脉冲雷达回波信号人体微动特征识别初步研究*

主要研究了超宽带雷达人体探测回波信号微动特征识别问题。在分析超宽带雷达生命特征检测原理的基础上,针对人体微动特征特点,引入能量积分识别算法,编制时窗函数,对雷达实验的多个回波数据进行小波去噪处理。结果表明,利用能量积分算法,可以识别出含有人体微动特征的信号。     

基于人体多姿态识别的被动入侵检测模型研究

被动入侵检测技术在火灾搜救、空巢老人监护、矿井安全等领域有着广泛的应用。传统的基于无线传感器的被动入侵检测技术大多采用单层链路的信号变化来识别有人入侵和无人入侵两种状态,检测状态过于单一,对于一些人体高危状态如跌倒状态并不能有效的识别。为解决这一问题,提出了一种基于人体多姿态识别的被动入侵检测模型,该模型建立多层信号链路进行特征对比,并使用基于滑动窗口的数据流特征提取方法,实现对各人体入侵姿态的检测。采用多种多分类器算法进行仿真分析,并进一步对人体多姿态的定位和追踪展开实验。结果表明：该检测模型对于正常（无人入侵）、站立、跌倒静躺这三种状态具有很好的识别效果。     

深度学习二维人体姿态估计方法综述

人体姿态估计是计算机视觉中的一项重要任务。传统的姿态估计方法存在难以实现复杂场景下分离目标和背景、易受人为设定先验信息影响、效率过低等问题。随着人工智能技术的发展,深度学习技术日趋成熟,基于深度学习的人体姿态估计方法的精确率和速度等性能均优于传统的人体姿态估计方法。近年来,作为三维人体姿态估计的基础,二维人体姿态估计模型在解决拥挤和遮挡方面取得了长足进步,但大多数网络模型采用的是层数过多的卷积神经网络（convolutional neural network,CNN）模型,对网络速度产生了很大影响。基于部署在边缘侧的实际应用需求,二维人体姿态估计网络的轻量化成为研究热点,且具有潜在的创新应用价值。根据基于深度学习的二维人体姿态估计模型的发展历程和优化趋势,可将其分为单人姿态估计、多人姿态估计以及轻量级人体姿态估计3类。本文对各类人体姿态估计采用的不同卷积神经网络模型进行总结,对各类神经网络模型的特点进行分析,对各类估计方法的性能进行比较。虽然深度卷积神经网络（deep convolutional neural network, DCNN）模型的结构设计越来越多元化,但是各类深度学习网络模型在处理人体姿态估计任务时,仍具有一定的局限性。本文对二维人体姿态估计模型采用的技术方法及其存在的问题进行深入讨论,并给出了未来可能的研究方向。     

基于深度学习的人体行为识别综述

人体行为识别旨在对视频监控中的人体行为进行检索并识别,是人工智能领域的研究热点。基于传统方法的人体行为识别算法存在对样本数据依赖大、易受环境噪声影响等不足。为解决此问题,许多适用于不同应用场景的基于深度学习的人体行为识别算法被提出。介绍了人体行为识别任务中传统特征提取方法和基于深度学习的特征提取方法;从性能和应用两方面对基于深度学习的人体行为识别算法进行总结,重点分析了基于3D卷积神经网络、混合网络、双流卷积神经网络和少样本学习（few-shot learning,FSL）的人体行为识别方法及其在UCF101和HMDB51数据集上的表现;在深度学习的基础上,归纳了主流模型迁移方法的优缺点及其有效性;总结了现有基于深度学习的人体行为识别算法存在的不足,并讨论了以元学习（meta-learning）和transformer为代表的FSL算法将成为未来模型主流算法的可能性,同时对未来基于深度学习的人体行为识别算法的发展方向进行展望。     

基于模板模型的实时人体姿态跟踪研究

人体姿态跟踪是分析和识别人类行为的基础,具有广阔的应用范围。针对实时人体姿态跟踪问题,提出一种基于模板模型的人体姿态实时跟踪方法,该方法采用深度摄像头Kinect捕捉测试者的3D数据信息,并使用线性公式联合估计身体的姿态和运动。实验结果表明,该算法实现了实时人体姿态的跟踪,且可根据单个深度图的数据有效地处理明显的遮挡问题。系统设备成本低、结构简单,输出的网格能够准确地适应测试者的运动和身体形态,并随着时间的推移保持相同的拓扑结构。     

基于少量关键序列帧的人体姿态识别方法

针对传统人体姿态识别数据采集易受环境干扰、难以解决人体运动姿态的相似性和 人体运动执行者的特征差异性等问题,提出一种基于少量关键序列帧的人体姿态识别方法。首先 对原有运动序列进行预选,通过运动轨迹取极值的方法构造初选关键帧序列,再利用帧消减算法 获取最终关键帧序列;然后对不同人体姿态分别建立隐马尔科夫模型,利用 Baum-Welch 算法计 算得到初始概率矩阵、混淆矩阵、状态转移矩阵,获得训练后模型;最后输入待测数据,应用前 向算法,得到对于每个模型的概率,比较并选取最大概率对应的姿态作为识别结果。实验结果表 明,该方法能够有效的选取原始运动序列的关键帧,提高人体姿态识别的准确性。     

基于改进粒子群优化的支持向量机与情景感知的人体活动识别

针对目前人体活动类别识别准确率偏低的问题,提出一种支持向量机（SVM）与情景分析（人体运动状态转换的实际逻辑或统计模型）相结合的识别方法,对人体日常的六种活动（步行、上楼、下楼、坐下、站立、躺下）进行识别。该方法利用了人体活动样本之间存在逻辑关系的特点,首先使用经改进的粒子群优化（IPSO）算法对SVM模型进行优化,然后利用优化后的SVM对人体活动进行分类,最后通过情景分析的方法对错误的识别结果进行修正。实验结果表明,所提方法在加州大学欧文分校（UCI）的人体活动识别数据集（HARUS）上的分类准确率达到了94.2%,高于传统的仅使用模式识别进行分类的方法。     

基于SVM的人体姿态识别技术研究

随着科技发展，可穿戴式的传感器研究越发得到重视，显现出低功耗、便携性高、低成本以及使用场景不受限制等优势。其中重要的一方面应用就是人体姿态识别，为了识别日常生活中站姿、跪姿以及卧姿三种不同姿态而进行研究。根据人体姿态识别技术理论分析和应用需求选择单传感器进行姿态识别的方案。选用六轴传感器MPU6050结合STM32单片机硬件的方案，采集三种不同姿态的加速度以及角速度数据，经小波去噪和四元数转换后，基于高斯核函数的一对一支持向量机算法对人体姿态进行分类，模型训练框架基于TensorFlow,验证了利用机器学习算法解决三种人体姿态识别问题的可行性。     

基于图像语义分割和CNN模型的老人跌倒检测

随着老龄化社会的到来,独居老人的安全问题越来越引人关注.其中,跌倒是老人在家中最常见也是危害最大的风险之一.当前已经有许多关于老人跌倒检测的算法,它们大多应用在摄像头固定的场景下,并主要采用前景提取方法来获取人体轮廓.采用固定摄像头意味着需要为家中每一处独立的空间都安装监控设备才能保证对于老人的全面监控,这显然不实用.基于此,本文采用图像语义分割算法和CNN分类模型,提出了一种可用于移动摄像头上的老人跌倒检测算法.首先采用当前流行的全卷积神经网络（fully convolutional network）语义分割算法^[1]分割出图像中的人体,对于满足面积比例条件的情况,直接通过宽高比特征判断人体是否处于跌倒状态;否则,提出一种融合的CNN人体姿态判别模型,将人体区域分成Stand、Fall、Half-Lying三种情况分别进行检测,最后根据三者的分类结果判定图像中是否包含跌倒人体.实验结果显示,文中的算法在具有较高的识别准确率（91.32%）的同时,具有较低的误报率（1.66%）.     

人体姿态特征选择方法的研究与实现

针对人体姿态特征问题采用宽度作为人体姿态的基本特征,用均分法和改进的遗传算法对宽度特征进行选择,采用BP神经网络分类器对不同的特征定义方法进行典型人体姿态识别的对比实验。实验结果表明,采用该特征定义和选择方法,以每秒12帧的处理速度可达到90%以上的识别正确率。     

NSST与CSLDP相结合的人脸识别

针对人脸识别中姿态、光照和表情等变化造成的识别率不高的问题,提出一种非采样Shearlet变换（NSST）与中心对称局部方向模式相结合的人脸识别算法。采用NSST分解人脸图像,得到低频子带图像和高频子带图像,计算子带图像中心对称局部方向模式,分块统计直方图特征信息,将直方图串接起来作为人脸图像的特征向量,利用最近邻分类器分类识别。在ORL、YALE和CAS-PEAL-R1人脸库上进行测试,实验结果表明所提方法简单有效,且对姿态、光照和表情变化具有较好鲁棒性。     

人群计数研究综述

人群计数广泛应用在公共安防、视频监控和智慧城市建设等领域,对控制特定场所人数、指挥公共交通、防止疫情蔓延、保障社会稳定具有重要积极意义。传统的计数方法精度不高、场景受限,随着深度学习的发展,传统方法逐渐被卷积神经网络（convolutional neural network,CNN）方法代替。介绍了人群计数的研究背景、现状和发展趋势,叙述了两种传统方法;从计数精度、网络结构、评价指标和数据集等方面重点分析了CNN方法,发现CNN技术可以有效解决多尺度和跨场景等问题;阐述了基于Vision Transformer（ViT）序列的弱监督计数方法并且对比各类方法。对未来人群计数的研究前景做出展望。     

无人机目标检测量子多模式识别优化算法

研究了现阶段无人机雷达探测技术的难点与方法,分析了量子多模式识别网络模型与算法,根据Grover算法优化理论,提出了基于相位旋转的量子多模式识别算法（PRQMPRA）。优化算法避免了在带冗余项的量子多模式识别算法（RQMPRA）中两个相位旋转均为[π]会导致搜索成功概率降低的缺陷。利用三种数据集对误差反向传播算法（EBPA）、基于交叉熵函数的深层自编码器学习算法（CDAA）以及RQMPRA与PRQMPRA进行模式识别能力分析,结果表明在确定限定误差的情况下PRQMPRA具有更高的识别率与相对较快的运算速度。提出了一种基于量子多模式识别算法的雷达目标检测方法,通过模式分类的方法研究目标检测问题。利用上述四种算法进行无人机目标检测实验,研究结果表明PRQMPRA具有更高的检测精度,在低信噪比的情况下可保持较高的发现概率。     

基于多特征融合的深层网络图像语义识别方法

图像是一种用来传达情感的重要工具,人类的情感会因不同的视觉刺激而异。采用了一种基于小数据集的数据扩充方式,并将图像的手工提取的低级特征（颜色特征、纹理特征）和网络自动提取到的高级特征（图像对象类别特征和图像深层情感特征）融合的方法,识别图像的复合情感。最终输出包含图像和对象在内的高级语义描述性短语。在公共数据集IAPS和GAPED上进行了实验,并与传统手工提取方法和VGG16、Fine-tune Alexnet两种已有模型进行了比较,该方法在测试性能上优于其他的识别方法,情感识别准确率能达到66.54%。     

煤矿井下超宽无线传感器网络定位技术的研究

超宽带技术作为一种新型短距离无线通信方式,其所采用的纳秒级窄脉冲具有许多传统正弦载波无法比拟的优势。基于超宽带技术本身具有的特性,将其与无线传感器网络技术相结合,可以广泛应用于煤矿井下环境,通过无线传感器网络节点定位实现安全监测。本文主要介绍了无线传感器网络节点定位基本原理和算法,提出适合煤矿井下环境的定位算法,并且在传统的测距定位方法基础上进行改进。仿真结果表明,改进的定位算法有效的提高了节点定位精度和定位性能。     

SAR图像建筑物目标检测研究综述

面对日益剧增的城市建筑物,合成孔径雷达(synthetic aperture radar,SAR)图像的建筑物检测作为SAR图像解译的一个分支逐渐成为一项重要的研究课题.对现有的研究方法进行了分类,从基于传统方法的建筑物检测和基于深度学习的建筑物检测两方面入手,对现有SAR图像的建筑物目标检测算法进行了梳理.简述了SA...     

超宽带系统非理想因素的联合估计算法

分析基于正交频分复用调制技术的超宽带无线通信系统中物理层受到的模拟前端非理想因素,提出一种联合估计算法。该联合估计算法能在存在频率相关性I/Q失配的情形下准确获得载波频率偏差和采样频率偏差的估计,并获得频率相关性I/Q失配和信道冲击响应的联合估计信息。系统仿真证明,该计算法能较好地适用于多载波正交频分复用超宽带系统。     

基于深度卷积神经网络的脑电信号情感识别

为了点对点自动学习脑电信号（Electroencephalogram,EEG）空间与时间维度上的情感相关特征,提高脑电信号情感识别的准确率,基于DEAP数据集中EEG信号的时域、频域特征及其组合特征,提出一种基于卷积神经网络（Convolution Neural Network,CNN）模型的EEG情感特征学习与分类算法。采用包括集成决策树、支持向量机、线性判别分析和贝叶斯线性判别分析算法在内的浅层机器学习模型与CNN深度学习模型对DEAP数据集进行效价和唤醒度两个维度上的情感分类实验。实验结果表明,在效价和唤醒度两个维度上,深度CNN模型在时域和频域组合特征上均取得了目前最好的两类识别性能,在效价维度上比最佳的传统分类器集成决策树模型提高了3.58%,在唤醒度上比集成决策树模型的最好性能提高了3.29%。