基于雷达与图像数据融合的人体目标检测方法

三维人体目标检测在智能安防、机器人、自动驾驶等领域具有重要的应用价值。目前基于雷达与图像数据融合的三维人体目标检测方法主要采用两阶段网络结构,分别完成目标概率较高的候选边界框的选取以及对目标候选框进行分类和边界框回归。目标候选边界框的预先选取使两阶段网络结构的检测准确率和定位精度得到提高,但相对复杂的网络结构导致运算速度受到限制,难以满足实时性要求较高的应用场景。针对以上问题,研究了一种基于改进型RetinaNet的三维人体目标实时检测方法,将主干网络与特征金字塔网络结合用于雷达点云和图像特征的提取,并将两者融合的特征锚框输入到功能网络从而输出三维边界框和目标类别信息。该方法采用单阶段网络结构直接回归目标的类别概率和位置坐标值,并且通过引入聚焦损失函数解决单阶段网络训练过程中存在的正负样本不平衡问题。在KITTI数据集上进行的实验表明,本文方法在三维人体目标检测的平均精度和耗时方面均优于对比算法,可有效实现目标检测的准确性和实时性之间的平衡。     

基于时空注意力图卷积网络模型的人体骨架动作识别算法

针对现有的人体骨架动作识别算法不能充分发掘运动的时空特征问题,提出一种基于时空注意力图卷积网络（STA-GCN）模型的人体骨架动作识别算法。该模型包含空间注意力机制和时间注意力机制：空间注意力机制一方面利用光流特征中的瞬时运动信息定位运动显著的空间区域,另一方面在训练过程中引入全局平均池化及辅助分类损失使得该模型可以关注到具有判别力的非运动区域;时间注意力机制则自动地从长时复杂视频中挖掘出具有判别力的时域片段。将这二者融合到统一的图卷积网络（GCN）框架中,实现了端到端的训练。在Kinetics和NTU RGB+D两个公开数据集的对比实验结果表明,基于STA-GCN模型的人体骨架动作识别算法具有很强的鲁棒性与稳定性,与基于时空图卷积网络（ST-GCN）模型的识别算法相比,在Kinetics数据集上的Top-1和Top-5分别提升5.0和4.5个百分点,在NTURGB+D数据集的CS和CV上的Top-1分别提升6.2和6.7个百分点;也优于当前行为识别领域最先进（SOA）方法,如Res-TCN、STA-LSTM和动作-结构图卷积网络（AS-GCN）。结果表示,所提算法可以更好地满足人体行为识别的实际应用需求。     

基于人体骨骼关键点的吸烟行为检测算法

针对公共场所的监控视频中烟头目标较小并且吸烟产生的烟雾易发散,仅依靠目标检测算法检测烟头或者烟雾来判定吸烟行为存在较大难度的问题,考虑到利用骨骼关键点来进行姿态估计的算法越来越成熟,提出一种利用人体骨骼关键点和吸烟行为之间的关系来进行吸烟行为检测的算法。该算法首先利用AlphaPose和RetinaFace分别检测出人体骨骼关键点和脸部关键点信息,根据手腕到两嘴角中点和手腕到同侧眼睛的距离之比,提出一种计算人体的吸烟动作比例（SAR）是否属于吸烟动作黄金比例（GRSA）的方法以区分吸烟与非吸烟行为;再利用YOLOv4检测视频中是否存在烟头;最后结合GRSA判定和YOLOv4的结果来确定视频中存在吸烟行为的可能性高低,作出是否有吸烟行为的判定。经过笔者录制的数据集测试,结果表明所提算法可以准确检测到吸烟行为,准确率达到92%。     

基于人体姿态估计的手机使用状态监控

智能手机的日益普及给人们带来便捷的同时也带来了不少的隐患,在一些特定的场景下需要对手机的使用进行监控和限制.本文设计了一套手机使用状态监控系统,先采用YOLOv3检测图像中的人体,然后通过Open Pose姿态估计算法获得人体关节点,再通过YOLOv3判断手部区域是否有手机,最后通过神经网络分类器识别当前的手机使用状态.系统的应用测试表明该方案具有良好的检测与识别效果,能够满足相关场景的应用需求.     

基于改进YOLOv3的人体行为检测

针对人体行为检测中相同行为差异大, 不同行为相似度高, 以及视觉角度、遮挡、不能实时检测等问题, 提出Hierarchical Bilinear-YOLOv3人体行为检测网络. 该网络采用YOLOv3在3个不同尺度上进行预测, 抽取YOLOv3金字塔特征提取网络中特定层作为Hierarchical Bilinear的输入, 捕获特征图的层间局部特征关系, 并在3个不同尺度上进行预测, 最后将YOLOv3和Hierarchical Bilinear两种预测结果融合. 实验结果显示, 改进后的模型相比于原网络仅增加了少量参数, 在保证检测效率的同时提高原算法的检测精度, 并在一定程度上优于当前行为检测算法.     

利用混合高斯和拓扑结构的人体“鬼影”抑制算法

若在建模时存在目标,部分目标像素会进入背景模型,会在检测时产生“鬼影”。为了有效抑制“鬼影”,提出一种利用混合高斯和拓扑结构(Gaussian mixture model and topological structure,GMMT)的人体“鬼影”抑制算法。算法分为两个阶段,背景建模阶段采用双通道建模,通道一利用混合高斯模型进行预检测,接着利用拓扑结构将分散的人体目标连接获得完整的目标并取其外接矩形,然后将矩形外的像素加入背景模型,经过多帧的建模得到空背景;通道二使用多帧平均法计算背景模型。通过设置建模帧数的阈值T选择建模方式,若建模帧数小于T则使用通道一建模,否则使用双通道联合建模。目标检测阶段利用改进的背景差分法实现人体分割并进一步消除 “鬼影”。经过测试,GMMT在建模阶段存在目标的情况下可有效地抑制 “鬼影”。     

人工智能范式的革命与通用智能理论的创生

人工智能的研究取得了不少可喜的进展,也面临着许多严峻的挑战。为了应对这些挑战,学术界提出了各种各样的研究思路。笔者相信,每种思路都有其合理之处,都有可能获得一定的成效。不过,根据笔者的理解,人工智能面临的最深刻最严峻的挑战,是学科和时代的大转变所带来的大阵痛:人工智能范式的张冠李戴。因此,必须对人工智能的范式实施“正冠”:颠覆传统学科范式对人工智能研究的束缚,确立信息学科范式对人工智能研究的规范和引领。实施人工智能范式革命的结果,创生了本文要介绍的“通用智能理论”。     

以人为主的U型装配线生产效率仿真

在有效模拟装配线上工人行为的基础上,利用仿真方法对装配线的运作提出了改善建议. 分析了U型装配线上工人行为的影响因素,根据对相关工人问卷调查的结果分析,分别对疲劳、失误和工作进度进行了建模研究;以模糊逻辑推理理论为基础,建立了工人的工作速度模型;应用此模型对某装配线进行了仿真研究,并提出多种改善建议,通过仿真分析,寻找较优改善方案. 仿真研究表明:通过改变工作序以及工作策略,并增加工人间的合作,能够有效地提高装配线的生产效率以及工人间的任务均衡率.     

T C-1-HPV16 L1细胞模型与动物模型的建立与评价

为了解决人乳头瘤病毒16型L1蛋白(HPV16L1)为主要靶点的疫苗缺乏肿瘤模型细胞来验证疫苗的免疫效果的问题,构建了一个细胞模型并可以利用此细胞在实验动物体内形成肿瘤,用于以HPV16L1为主要靶点疫苗的验证实验。利用这个模型细胞或肿瘤模型可以在体内外检测疫苗的免疫学性质和保护功效。首先,利用聚合酶链式反应(polymerase chain reaction,PCR)的方法获得目标基因HPV16L1的基因序列并连接到载体质粒中,将质粒转染到细胞TC-1后在杀稻瘟菌素抗性压力筛选下获得稳定表达HPV16L1的细胞株。对TC-1和TC-1-HPV16L1两种细胞的生长增殖和成瘤特性进行比较发现,外源基因的加入对细胞特性没有影响。通过体外杀伤实验证实细胞TC-1-HPV16L1能够被HPV16L1靶点疫苗免疫过的小鼠脾淋巴细胞杀伤。实验动物被疫苗免疫后,进行攻瘤实验发现疫苗只对TC-1-HPV16L1组具有保护作用。综上,在本研究中成功地构建了可以检测HPV16L1疫苗的抑瘤效果的模型细胞TC-1-HPV16L1,为HPV疫苗的研究提供了一个模型细胞。     

人血清淀粉样蛋白A1原核表达及胶体金检测方法的建立

通过胶体金免疫层析技术建立一种特异、便捷、快速的SAA1定量检测新方法.利用大肠杆菌BL21(DE3)原核表达人血清淀粉样蛋白A1(SAA1),根据BL21(DE3)表达偏好性设计并合成SAA1蛋白基因片段,构建表达载体pET-28a-SAA1,采用CaCl2法制备BL21(DE3)感受态,热激转化法将pET-28a-SAA1转入到BL21(DE3).经表达条件优化,获得重组蛋白最佳诱导表达条件:温度30℃,时间6h,转速180rpm/min,培养基pH 7.0,IPTG浓度0.4mM,诱导表达后目的蛋白经SDS-PAGE电泳鉴定,Ni柱纯化、透析、浓缩从而获得浓度为8.09mg/ml,纯度为85%的SAA1.同时,结合胶体金标记技术,建立了SAA1胶体金免疫层析试纸检测方法,线性范围0.16~500μg/ml,最低检测限0.16μg/ml,该研究为临床体外诊断SAA1快速检测提供技术基础.