基于卷积神经网络的目标识别算法研究

随着时代的快速发展,对于监控视频处理,传统人工处理方式已不能满足社会实际发展需求。智能监控依靠目标检测实现监控,目标识别成为计算机视觉领域的重要研究方向,主要从图像或者视频中检测某一类别的目标。基于此,分析卷积神经网络目标识别算法,研究目标检测算法存在的问题,并提出相应对策,有效提高检测算法的有效性和精确度,从而推动智能视频监控的快速发展和广泛应用。     

智能视频监控系统异常行为检测算法研究综述

随着公共安全需求的快速增长,监控摄像头数量不断增多,视频监控数据呈爆炸式增长;传统的视频监控系统难以对如此海量的数据进行理解分析,因此智能视频监控系统应运而生;作为一个跨学科的研究领域,智能视频监控系统异常行为检测技术迎来重大机遇的同时也面临不少挑战;为了更好地研究智能视频监控系统异常行为检测算法,梳理了相关研究并从原理上对不同算法进行分类,对基于能量、基于聚类、基于重构、基于推断以及基于深度学习几个不同依据的算法进行对比分析,归纳了各类算法的分支研究方向,接着简要介绍了异常行为检测常用的公开数据集,最后讨论了目前异常行为检测算法所面临的挑战并针对性地提出了未来智能视频监控系统异常行为检测算法的可行研究方向。     

社区异常行为智能识别防盗报警系统仿真

当前社区智能识别防盗报警系统采用广角视频人工识别异常行为,不能实时对社区异常行为进行监控和报警,存在报警误报率较高、报警延时较长、准确率较低等问题。针对上述问题,提出基于社区异常行为智能识别防盗报警系统,介绍了智能识别防盗报警系统的总体架构,包括图像采集模块、异常行为检测模块、远程监控模块、防盗报警模块四部分组成,并结合运动目标颜色特征的粒子滤波算法实现了对社区异常行为实时监控和实时报警。实验结果表明,所设计的智能识别防盗报警系统,报警误报率较低、报警延时较短、准确率较高。     

基于YOLO算法的社区电梯监测与预警系统

基于YOLO算法的计算机图像识别技术是电梯中智能视频监控的重要组成部分,采用CNN网络结构来实现检测,通过卷积神经网络提取图像信息,可以使得到的信息更准确而且算法简洁且识别目标速度快,对于人脸识别、非法目标识别、异常行为分析等功能也很完善,可以便于社区业务相关人员的安全管理.     

基于HMM的无主包裹识别

随着行为理解研究的深入,无主包裹的监测分析受到计算机视觉领域研究者的广泛关注.其核心是利用计算机视觉技术从图像序列中检测、跟踪、识别目标并对其行为进行理解与描述.文中结合智能视频监控的应用需求,为了实现无主包裹识别的智能化,将隐马尔科夫模型方法运用在无主包裹识别中,给出了一个基于HMM的无主包裹识别方案,并进行了图像预处理,对HMM参数训练和识别及其识别性能进行了研究,同时对未来的发展趋势作了总结与阐述.     

基于深度学习的人体行为识别算法综述

人体行为识别和深度学习理论是智能视频分析领域的研究热点, 近年来得到了学术界及工程界的广泛重视, 是智能视频分析与理解、视频监控、人机交互等诸多领域的理论基础. 近年来, 被广泛关注的深度学习算法已经被成功运用于语音识别、图形识别等各个领域.深度学习理论在静态图像特征提取上取得了卓著成就, 并逐步推广至具有时间序列的视频行为识别研究中. 本文在回顾了基于时空兴趣点等传统行为识别方法的基础上, 对近年来提出的基于不同深度学习框架的人体行为识别新进展进行了逐一介绍和总结分析; 包括卷积神经网络(Convolution neural network, CNN)、独立子空间分析(Independent subspace analysis, ISA)、限制玻尔兹曼机(Restricted Boltzmann machine, RBM)以及递归神经网络(Recurrent neural network, RNN)及其在行为识别中的模型建立, 对模型性能、成果进展及各类方法的优缺点进行了分析和总结.     

基于视觉的人体运动分析综述

基于视觉的人运动分析越来越受到计算机视觉领域研究者的广泛关注,它成为图像分析、心理学、人工智能等领域的研究热点,在智能视频监控、虚拟现实、用户接口、运动分析等方面有着广泛的应用.从运动目标检测、运动目标分类、人体运动跟踪、人体行为识别与描述四个环节综述了人体运动分析的研究现状,分析了存在的一些问题和未来的研究发展方向.     

奶牛身份识别和行为感知技术分析与展望

精准养殖是一种实时监控奶牛信息并分析反馈的信息技术,其目的是保证奶牛福利.计算机视觉技术能够解决接触式方法带来的应激性与成本高问题.综述了奶牛精准养殖技术的发展现状,重点围绕人工智能技术和计算机视觉技术,针对个体身份识别、行为感知两个核心问题,从经典方法和深度学习方法两个方向,着重阐述对比应用对象、应用场景以及算法性能等.研究发现,个体身份识别和行为感知主要以图像分类算法为主;深度学习方法具有更好鲁棒性.最后总结了个体身份识别和行为感知方法的难点,展望了身份识别和行为感知未来发展方向.     

时空图卷积网络在人体异常行为识别中的应用

在监控场景下,由于监控资源短缺,行人异常行为容易发生漏检。针对该问题,提出了一种视频监控场景下的人体异常行为识别的方法,辅助监控人员及时发现异常。使用OpenPose对图像中行人进行人体骨架提取。针对图卷积网络对关节点特征聚合方式单一的问题,融合了基于图注意力网络（graph attention network,GAT）的图注意力机制。在改进后的图卷积网络的基础上,利用时空图卷积神经网络（spatial temporal graph convolutional networks,ST-GCN）,对行人关节点信息进行异常行为识别。实验结果表明,提出的识别算法对定义的行为识别准确率达85.48%,能够准确地识别监控视频中行人的异常行为。     

基于CSI的行为识别研究综述

近年来，无线信号在行为识别、定位和目标检测等方面的应用取得了一系列突破性的研究成果，对智能家居、视频教学、虚拟现实、家庭娱乐等具有很强的理论研究意义和实用价值，是智能人机交互的基本研究内容。首先回顾了传统的动作识别研究成果，并介绍了CSI的基本特性与获取方法，然后对动作检测、特征提取和动作分类等相关算法进行了归纳和分析，总结并讨论了基于CSI的相关领域取得的最新研究成果，最后指出了目前研究的局限性与可能的发展方向。     

基于动作模板匹配的弱监督动作定位

为解决视频中的动作定位问题，提出一种基于模板匹配的弱监督动作定位方法。首先在视频的每一帧上给出若干个动作主体位置的候选框，按时间顺序连接这些候选框形成动作提名；然后利用训练集视频的部分帧得到动作模板；最后利用动作提名与动作模板训练模型，找到最优的模型参数。在UCF-sports数据集上进行实验，结果显示，与TLSVM方法相比，所提方法的动作分类准确率提升了0.3个百分点；当重叠度阈值取0.2时，与CRANE方法相比，所提方法的动作定位准确率提升了28.21个百分点。实验结果表明，所提方法不但能够减少数据集标注的工作量，而且动作分类和动作定位的准确率均得到提升。     

基于Boosting RBF神经网络的人体行为识别

提出一种基于Boosting RBF神经网络的人体行为识别方法,该方法利用规范化的运动历史图像（MHI）进行图像序列表示,从中提取Zernike矩的统计描述特征,然后提出Adaboost算法自适应地选择图像序列的特征作为RBF神经网络的输入,为了进一步提高神经网络的泛化能力,采用一种调整权值分布,限制权重扩张的改进的Boosting方法,分类器以加权投票方式进行分类决策。实验结果表明,提出的方法能够有效地识别人体运动类别。     

基于视频图像识别的电梯限速器动作速度校验算法

在电梯的安全校验中,限速器校验是重要的一环,包括对电气动作和机械动作速度的校验。传统校验方法为接触式,存在不可避免的安全隐患。为解决该问题,提出了基于Hough变换与ORB算法的电梯限速器动作速度校验方法。首先通过Hough变换确定限速器的中心点,作为后续过程中的基准点;然后通过ORB方法在相邻帧图像上找到同一特征点,从而计算转速;最后对电气开关与机械开关进行识别检测,提取出电气动作与机械动作对应拍摄帧,从而得出电气动作与机械动作速度。该校验方法可安全、准确地测量电梯限速器动作速度,从而实现对电梯限速器的非接触式校验。     

Event-based operational semantics and a consistency result for real-time concurrent processes with action refinement

In this paper an event-based operational interleaving semantics is proposed for real-time processes,for which action refinement and a denotational true concurrency semantics are developed and defined in terms of timed event structures. The authors characterize the timed event traces that are generated by the operational semantics in a denotational way, and show that this operational semantics is consistent with the denotational semantics in the sense that they generate the same set of timed event traces, thereby eliminating the gap between the true concurrency and interleaving semantics.     

管状器官轮廓的快速提取

利用最小作用曲面提取狭长的管状器官轮廓时,常常出现边界泄露问题。为此提出一种基于传递波（演化曲线或曲面）的平均能量准则来控制传递波传递。将处于尾部、能量低于平均能量的传递波“冻结”,仅让具有较大能量,处于首部的传递波继续传递,最终提取管状器官的整个轮廓。运用基于该准则的Fast Marching 算法快速有效地提取出结肠轮廓。该准则结合传递波的全局能量信息,对图像的噪声及低对比度有鲁棒性。     

On the Relevance of Habermas‘ Theory of Communicative Action for CSCW

We examine the argument put forward by Ojelanki Nygwenyama andKalle Lyytinen that Juergen Habermas's theory of communicativeaction is relevant for the analysis and design of groupwaresystems. We suggest that CSCW champions of Habermas oftenoverlook the fact that his theory can be criticised in itsown right, and go on to outline its contestable character inan appraisal of his understanding of the ideal speech situation.We then move to Nygwenyama and Lyytinen's implementation ofHabermas's schema and argue that their categories of analysisare both arbitrarily constructed and applied. In conclusion,we question the extent to which grand, holistic, synthesisingsociological theories offer a way forward for designers andpoint to the difficulties of practically applying Nygwenyamaand Lyytinen's categories of analysis.     

Human action recognition using boosted EigenActions

This paper proposes a boosting EigenActions algorithm for human action recognition. A spatio-temporal Information Saliency Map (ISM) is calculated from a video sequence by estimating pixel density function. A continuous human action is segmented into a set of primitive periodic motion cycles from information saliency curve. Each cycle of motion is represented by a Salient Action Unit (SAU), which is used to determine the EigenAction using principle component analysis. A human action classifier is developed using multi-class Adaboost algorithm with Bayesian hypothesis as the weak classifier. Given a human action video sequence, the proposed method effectively locates the SAUs in the video, and recognizes the human actions by categorizing the SAUs. Two publicly available human action databases, namely KTH and Weizmann, are selected for evaluation. The average recognition accuracy are 81.5% and 98.3% for KTH and Weizmann databases, respectively. Comparative results with two recent methods and robustness test results are also reported.