基于改进分段铰链变换的人体重建技术

目前,基于单帧图像的人体建模还不能有效地处理手臂、衣服等对身体部位的遮 挡,以及因视角带来的自我身体遮挡等复杂的遮挡问题。为此,利用SMPL 模型骨骼关节分布 特点,提出改进传统分段铰链变换模型的人体重建方法。该方法运用骨骼关节的精确标注确定 模型变换的节点,结合图像轮廓边界约束图,提出前向分段回归概率期望最小化(FPR-PEM)的 柔性配准方法。通过迭代模型对变形关节处结合薄板样条进行线性插值,保证模型表面点云形 状的独立性,有效地注册各种姿势下的非刚性变形模型,较好地解决了复杂遮挡带来的重建挑 战,并进行模型姿态回归调整,实现准确的人体建模。实验结果表明,方法可以有效实现精细 和平滑模型的人体表面重建。     

联合注意力和条件GAN的被遮挡人体姿态和体形估计方法

基于图像的人体姿态和体形估计常常因人体被遮挡而充满挑战.为此,提出一种基于单幅图像的姿态和体形估计方法.首先提出多尺度的注意力模块策略,输出具有丰富上下文信息的多尺度注意力特征,以有效地获得不受遮挡影响的全局的姿态和体形分布;然后提出基于热图的条件生成对抗网络策略,将由关节热图得到的姿态估计作为约束,实现网格精细调整;最后借助这2个策略得到的姿态和体形估计方法实现全局预测和局部细节求精的结合.在Ubuntu环境下,在3DPW,3DOH50K和Human3.6M公开数据集上的实验结果表明,与SMPLify,GraphCMR和SPIN等方法相比,所提方法在身体部分被遮挡时重建效果更好,并在ACK, AVE和PA-MPJPE等定量评价指标上取得了更好的结果.     

样本驱动的半自动图像集前背景分割

图像集的前背景分割是近年来图像处理与图形学领域的一项热点研究工作.针对图像集中的图像逐个进行交互分割会涉及大量的用户操作,导致效率低下,而联合分割方法通常局限于处理具有相似前景的图像集,且因需求解大规模的优化问题较为耗时的问题,提出一种样本驱动的半自动图像集分割方法.首先选取若干图像作为样本进行手动交互分割,训练基于样本图像超像素特征描述的支持向量机分类器;对于其余待分割图像,根据其超像素特征描述到支持向量机分隔超平面的距离计算基于双弯曲Sigmoid函数映射的前景置信度,再采用图切割的算法实现目标图像的快速自动分割.对于包含错误分割的个别图像,进一步提出一种交互式局部修正方法修复错误分割区域,并获得最终的精确分割结果.在2个标准数据集上进行算法有效性验证和对比实验的结果表明,与联合分割算法相比,文中方法能更好、更快地实现在线分割;与逐个交互分割算法相比,文中方法能以相对较小的交互量实现对目标图像集的精确分割.     

流数据频繁模式挖掘技术综述

近年来,流数据挖掘成为数据挖掘的一个热点。流数据挖掘的研究工作包括多个方向,其中频繁模式挖掘因其在检测网络异常、点击流分析和传感器网络等方面的广泛应用成为一个重要方面。本文介绍了流数据频繁模式挖掘的概念和相关知识。重点描述了频繁模式挖掘的处理模型和算法。其中算法的介绍分为两部分,第一部分介绍的算法的分类,第二部分对具体算法作分析。最后,本文对频繁模式挖掘中的一些相关问题进行了探讨。