基于邻域相关性和帧间连续性的前景目标分割

提出了一种新的运动目标分割算法。首先利用像素的颜色、空间的和帧间的特性信息结合贝叶斯判别定理对视频图像进行粗分割，得到一个前景目标的二值图，由于该类方法基于像素间彼此独立的假设，导致分割出的前景目标不完整存在很多空洞。其次，基于前景目标局部邻域空间的一致性假设，计算该邻域内像素间的互相关系数；同时，基于背景的帧间连续性和前景的不连续性，计算像素帧间的互相关系数。最后，依据像素的互相关系数在该邻域内进行二次判决，以填补粗分割中前景目标内部的空洞。实验表明，在复杂背景交通视频中该分割算法具有较强的鲁棒性，并能获得更完整准确的前景目标。     

基于伪三维卷积神经网络的手势姿态估计

大多数现有的基于深度学习的手势姿态估计方法都使用标准三维卷积神经网络提取三维特征,估计手部关节坐标。该方法提取的特征缺乏手部的多尺度信息,限制了手势姿态估计的精度。另外,由于三维卷积神经网络巨大的计算成本和内存需求,这些方法常难以满足实时性要求。为了克服这些缺点,提出以空间滤波器和深度滤波器级联的方式模拟三维卷积,减少网络参数量。同时,在各个尺度上提取手势姿态特征并加以整合,充分利用手势的三维信息。实验表明,该方法能有效提高手势姿态估计精度,减小模型尺寸,且在具有单块GPU的计算机上能以超过119 fps的速度运行。     

光照突变环境下基于高斯混合模型和梯度信息的视频分割

基于高斯混合模型和帧间梯度信息提出了一种新的运动目标分割算法。首先,在利用亮度信息对背景建立自适应高斯混合模型的基础上,进行前景的粗分割;其次,由于视频信号的亮度和色彩分量随光照突变有较大的改变,导致大片背景的高斯模型产生错误匹配,误判为前景,为了提高高斯模型分割算法的鲁棒性,结合结构梯度互相关函数对分割结果进一步校正,能适应剧烈的光照变化;最后,利用数学形态学进行后处理,消除影子和孤立的噪声点。通过不同场景的运动分割实验结果表明,该算法在复杂背景和剧烈光照变化条件下具有较强的鲁棒性和较高的分割精度。     

基于浅三维稠密网的多模态手势识别算法

手势识别旨在理解人体的动态手势，是人机交互领域极其重要的交互方式之一。该方法通过将二维稠密网扩展为三维稠密网，并加入Inception结构，提出了一种基于浅三维稠密网的多模态手势识别方法，将其命名为Spatial Temporal 3D（ST3D） dense network。所提出的方法在手势识别公开数据集大规模离散手势数据集（IsoGD）上进行了评估，并取得了目前最好效果。实验证明，所提方法能够有效地学习到视频样本中手势的短期、中期以及长期时空特征。