基于视觉的人的运动识别综述

目前,基于视觉的人的运动分析是一个非常活跃的研究领域,而对人的运动进行理解和识别更是该领域内一个富有挑战性的研究方向,它在智能监控、感知接口和基于内容的视频检索等领域具有广泛的应用前景.本文对人的运动识别领域近年来的发展作了比较详细的论述,从人运动的类别、运动表示方法和运动识别方法三个方面分析了该方向的进展情况,并对当前该研究方向上亟待解决的问题做了比较详细的分析.     

一种网络话题的内容焦点迁移识别方法

随着网络信息技术的迅速发展,互联网已经成为人们获取和发布信息的最重要平台之一.在互联网的信息传播过程中,话题相关文本不断更新,而其内容焦点也随着话题发展发生着迁移.识别话题内容焦点有助于有效地挖掘与分析网络信息,是网络舆情分析领域的重要研究问题.文中针对网络流文本,提出了一种网络话题内容焦点的识别方法,首先对话题焦点特征在流文本中的分布情况进行分析,基于分析结果介绍了焦点识别方法3个主要步骤的算法模型,分别是基于时间属性的焦点特征词提取、内容焦点特征词的合并和内容焦点的表示.文本基于来自于真实网络的实际数据,对所提方法进行了实验验证,实验结果表明文中所提方法可有效获取话题发展过程中的内容焦点,并能以关键词集和语句集的形式对内容焦点进行表示.     

有限节点驱动的微博社会网络话题推荐方法

针对微博在线社会网络中的话题推荐问题,研究了如何选取多个驱动用户节点使得推荐话题能够得到大的传播广度,提出了一种新的信息推荐方法,可以求得次优的驱动节点集合使得推荐话题得到近似最大的传播广度。通过三个环节进行计算：通过修正的PageRank算法求得影响力大的节点;计算第一步得到的每个节点引起的话题传播广度;计算多个节点联合驱动时话题传播的广度,选择使传播广度最大的驱动节点集合。实验结果表明选取的近似最优驱动节点集合能够使得推荐信息得到更大广度的传播。     

融合静态与动态建模的网络事件聚合方法

网络世界是人们获取信息的重要来源,各大新闻门户网站成为信息产生和传播的主要聚集地。网络信息具有不规范、噪声大、动态性等特点。为了有效地组织网络信息,提出一种结合静态和动态建模的方法来对网络新闻事件进行聚合。静态建模基于新闻发帖内容的相似程度进行事件的初步聚合;动态建模是指基于隐马尔可夫模型来刻画事件的动态发展过程,并判断当前新闻发帖是否符合事件的发展规律。该方法将事件聚合从仅考虑内容空间中的相似度推广至包含内容及事件动态规律两个方面的空间来进行相似度度量,对内容相似的不同事件能够进行更好地区分。通过实际数据上的实验测试结果表明,该方法能够有效提升事件聚合的准确性。     

基于鼠标行为特征的用户身份认证与监控

从人机交互和生理行为层面上对计算机用户的鼠标行为进行研究,提取出新的鼠标行为特征,并通过大量实验对鼠标行为特征及特征空间进行了分析,提出了一种利用人机交互时计算机用户的鼠标使用行为特征进行身份认证和监控的方法.同时设计了基于顺序前进贪婪搜索和支持向量机的鼠标生物特征身份识别模型,并通过对20个用户进行身份识别与认证实验,得到了1.67%的误识率和3.68%的拒识率,该结果明显优于传统的分类识别方法(BP、RBF和SOM),展示了基于鼠标行为特征进行身份认证和监控的有效性和可行性.     

基于异质信息融合的网络图像半监督学习方法

网络图像通常包含文本、颜色和纹理等异质信息. 本文提出了一种基于多类异质信息融合的网络图像半监督学习方法---局部协同训练(Local co-training, LCT). 该方法在每个视图(对应一类 信息)上对每个样本点的邻域构建线性局部模型, 利用一组局部模型来表示数据关系;基于信息传播和协同训练对模型进行增量式迭代更新. 该算法在协同训练和基于图正则化的方法这两类半监督学习算法间建立了桥梁. 局部协同训练算法能够准确地描述样本的复杂分布, 并且可以进行高效的增量学习, 有利于大规模网络图像的在线学习. 在Corel, Pascal和ImageNet数据集上的实验结果表明该方法具有良好的性能.     

基于多层动态贝叶斯网络的人的行为多尺度分析及识别方法

人的行为识别是视频内容分析和计算机视觉领域中的一个重要问题. 在分析了人的行为包含多个尺度运动细节的基础上, 提出了一种分层且带驻留时间状态的动态贝叶斯网络(Hierarchical durational-state dynamic Bayesian network, HDS-DBN). HDS-DBN含有多层状态, 能够较好地表示人的行为包含的多尺度运动细节. 我们针对单人行为和两人交互行为进行了识别, 实验结果表明该方法具有较高的识别率, 并且在有噪声存在或信息缺失等不确定情况下均具有较好的鲁棒性. 实验结果表明 HDS-DBN 模型确实能够较好地表达行为中的多尺度运动细节.     

基于异构信息双向传播的网络视频分类方法

针对以往大多数网络视频分类研究只将文本和视觉特征进行简单融合的问题,提出了基于异构信息双向传播的网络视频分类方法。首先基于K均值方法将视频关键帧聚类成多个簇,在帧层次上对视频数据进行建模;将每个簇中代表性关键帧的文本信息传播至该簇作为其文本解释,完成从文本至视觉模态的传播;对每个关键帧,将其对应簇的文本解释传播至该关键帧,完成从视觉至文本模态的传播;最后基于支持向量机(SVM)对网络视频进行分类。在信息的双重传播中两类异构数据得到了密切的融合。实验结果表明该方法有效地提高了网络视频分类的准确率。