基于ST图的微循环血细胞自动跟踪与测量技术

为了有效分析微循环中血细胞的运动,利用血管中心线生成ST图,通过提取ST图中的轨迹,实现对血细胞的自动跟踪与测量.首先,设计出多尺度的方向滤波器,对ST图进行增强预处理;然后,在分析增强图像的概率密度分布函数和方向角度的基础上,设计了噪声滤波函数和方向滤波函数以提取细胞轨迹;最后,对提取的轨迹细化并计算其方向,实现对细胞的跟踪和流速测量.分别对人体微循环中的红细胞和白细胞进行跟踪与测量,跟踪的正确率达到96.5%以上,误差率小于1%.将流速测量结果与人工测量结果相比较,平均相关系数为0.98,高于现有的测量方法,表明该方法能更有效地分析和测量微循环中血细胞的运动.     

基于新分区策略的ST-GCN人体动作识别

人体动作识别是智能监控、人机交互、机器人等领域的一项重要技术，基于人体骨架序列的动作识别方法在面对复杂背景以及人体尺度、视角和运动速度等变化时具有先天优势。时空图卷积神经网络模型(ST-GCN)在人体行为识别中具有卓越的识别性能，针对ST-GCN网络模型中的分区策略只关注局部动作的问题，设计了一种新的分区策略，通过关联根节点与更远节点，加强身体各部分信息联系和局部运动之间的联系，将根节点的相邻区域划分为根节点本身、向心群、远向心群、离心群和远离心群等5个区域，同时为各区域赋予不同的权重，提升了模型对整体动作的感知能力。最后，分别在公开数据集和真实场景下进行实验测试，结果表明，在大规模数据集Kinetics-skeleton上获得了31.1%的Top-1分类准确率，相比原模型提升了0.4%;在NTU-RGB+D的两个子数据集上分别获得了83.7%和91.6%的Top-1性能指标，相比原模型提升了2.3%和3.3%;在真实场景下，所提模型对动作变化明显且区别大的动作如俯卧撑和慢跑识别率高，对局部运动和动作变化相近的动作如鼓掌和摇头识别率偏低，尚有进一步提高的空间。     

基于时空图卷积网络的交通事故风险预测研究

交通事故的预测是通过对过去路段发生的交通事故进行分析,在综合考虑影响交通事故的相关因素后,对未来路段的交通事故发生状态进行预测。以往的大多数研究通常采用传统机器学习方法或单一深度学习模型预测法,利用网格化确定预测空间的单位,忽略了影响交通事故的天气、路况等外部因素,导致模型的预测性能不佳。提出一种基于时空特性的城市交通事故风险预测模型,在模型中使用改进的时空图卷积网络,利用图卷积网络（GCN）提取空间相关特征,并加入批标准化层解决梯度消失爆炸问题。在时间维度上采用门控线性单元（GLU）实现一维卷积操作,提取时间相关特征,并将GCN和GLU组合成时空卷积模块提取时空相关特征,使用均方误差损失函数解决样本数据零膨胀问题。实验结果表明,与GLU、SDCAE和ConvLSTM模型相比,该模型的RMSE指标分别降低了28%、4.87%、4.19%,能有效捕获时空相关性,综合性能得到较大提升。     

基于时空图卷积网络的多变量时间序列预测方法

为了扩大时空图卷积网络的预测范围,将它应用在关联关系未知场景下的多变量时间序列预测问题,提出一种附加图学习层的时空图卷积网络预测方法（GLB-STGCN）。图学习层借助余弦相似度从时间序列中学习图邻接矩阵,通过图卷积网络捕捉多变量之间的相互影响,最后通过多核时间卷积网络捕捉时间序列的周期性特征,实现对多变量的精准预测。为验证GLB-STGCN的有效性,使用天文、电力、交通和经济四个领域的公共数据集和一个工业场景生产数据集进行预测实验,结果表明GLB-STGCN优于对比方法,在天文数据集上的表现尤为出色,预测误差分别降低了6.02%、8.01%、6.72%和5.31%。实验结果证明GLB-STGCN适用范围更广,预测效果更好,尤其适合自然周期明显的时间序列预测问题。     

基于多模态特征学习的人体行为识别方法

由于从单一行为模态中获取的特征难以准确地表达复杂的人体动作,本文提出基于多模态特征学习的人体行为识别算法.首先采用两条通道分别提取行为视频的RGB特征和3D骨骼特征,第1条通道C3DP-LA网络由两部分组成:(1)包含时空金字塔池化(Spatial Temporal Pyramid Pooling,STPP)的改进3D CNN;(2)基于时空注意力机制的LSTM,第2条通道为时空图卷积网络(ST-GCN),然后,本文将提取到的两种特征融合使其优势互补,最后用Softmax分类器对融合特征进行分类,并在公开数据集UCF101和NTU RGB+D上验证.实验表明,本文提出的方法与现有行为识别算法相比具有较高的识别准确度.     

面向交通流量预测的时空超关系图卷积网络

交通流量预测是智能交通系统中的重要研究课题,然而,交通对象（如站点、传感器）之间存在的复杂局部时空关系使得这项研究颇具挑战。尽管以往的一些研究将流量预测问题转化为一个时空图预测问题从而取得了较大的进展,但是它们忽略了交通对象们跨时空维度的直接关联性。目前仍缺乏一种全面建模局部时空关系的方法。针对这一问题,首先提出一种新颖的时空超图建模方案,通过构造一种时空超关系来全面地建模复杂的局部时空关系;然后提出一种时空超关系图卷积网络（STHGCN）预测模型来捕获这些关系用于交通流量预测。在四个公开交通数据集上进行了大量对比实验,结果表明,相比ASTGCN、时空同步图卷积网络（STSGCN）等时空预测模型,STHGCN在均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）这三个评价指标上均取得了更优的结果,不同模型运行时间的对比结果也表明,STHGCN有着更高的推理速度。     

交叉口入口路段车流量及车辆换道率检测研究

针对交叉口入口路段交通视频中存在车辆遮挡严重、频繁走停以及频繁换道插队等特点,提出了一种获取交叉口停车线后大视野范围内车流量以及车辆换道率的检测方法.首先采用多级虚拟特征线生成多级时空图,对车辆进行快速检测和分割,获得车辆候选区域;然后对车辆候选区域内局部特征点进行初步分组和跟踪,并根据相同组内特征点运动趋势相似性来修正分组,解决车辆遮挡问题,用于检测车辆换道率;最后将多级时空图与特征点跟踪相结合,进行相互反馈,实现对车辆准确分割和鲁棒跟踪,避免车辆行驶中走停的影响.实验结果表明,通过该方法能实时准确地获取大视野范围内交叉口入口路段车流量和车辆换道率的交通参数.     

一种基于视频的公交客流计数方法

采用一种行时空图处理方法设计一种公交乘客计数系统,克服传统的光流法和帧差法提取运动目标所存在着的数据量大、实时处理能力差、抗干扰能力差的缺陷。该系统包括行时空图的生成,运动目标的提取、识别、匹配和计数等部分。实验结果表明统计数据有较高的准确率,并能很好地满足实时性要求。该系统识别鲁棒性好、运算数据量小、在移植至硬件时对硬件的性能要求很低,可以很好地控制软硬件成本。     

基于改进的ST-GCN模型的跌倒检测算法

针对当下基于图像的传统跌倒检测算法难以提取时域动作特征所导致的模型检测过程中所存在无法提取动态信息问题,建立了一种基于关节点提取和改进的ST-GCN模型的实时跌倒检测算法.首先根据姿态识别算法Alphapose提取视频中人体的骨架关节点信息;然后对时域中的骨架关节点序列进行Kalman滤波估计,得到稳定变化的人体时空图...     

基于联动空间拓扑关系的步态识别研究

目前,大多数基于骨骼的步态识别方法通过改善时空关系表征来提高步态识别的准确率,但却忽略了人体物理结构节点之间的联动性。基于上述问题,探究步态识别的空间拓扑联动关系。提出一种基于局部分区的新策略方法,划分人体非结构化区域并构建区域之间的邻接关系表示人体姿态的相对变化。其次,设计多尺度时间模块以时间为轴关联局部分区的节点变化提取多尺度时间特征。通过实验验证,该方法在步态数据集CASIA-B上超越了主流的步态识别方法,在不同行走条件下Rank-1准确率分别达到87.6%、77.6%以及72.8%。