改进的基于局部块模型的行为识别算法（研究生论坛）

针对基于局部时空特征与特征词袋模型相结合的算法中计算效率低、识别率不高的问题,提出了一种基于局部块模型与特征数据预处理结合的行为识别算法。该算法基于特征词袋模型,采用局部块模型提取特征,针对局部块模型算法中处理数据维度高,相关性强导致的识别率低的问题,将多变量的复杂问题简化为低维空间的简单问题,对其数据处理过程进行了改进,同时优化了局部块模型中的帧采样过程。与原算法相比计算效率与识别率都有较大提升,较其他同类算法也具有一定优势。两个通用视频库上的实验证明了算法的有效性。     

基于改进深度学习模型C-GRBM的人体行为识别

为了提高复杂视频中人体行为识别的性能,在Gate限制玻尔兹曼机(gate restricted boltzmann machine,GRBM)模型基础上提出一种结合卷积神经网络的Convolutional-GRBM(C-GRBM)模型。利用视频图像平稳性的特点,通过不同的卷积核提取可见层不同的特征,提高模型局部特征提取能力,进而得到更好的人体行为识别率;加入池化操作,对卷积层输出的不同位置上的特征进行聚合统计,降低卷积层输出特征量的维度,从而解决原模型参数过多、容易过拟合等缺陷,进而降低人体行为识别复杂度。在人体行为测试库上的测试表明,本文提出的CGRBM模型能够较好地提高人体行为识别性能。     

基于TextCNN模型的文本意图识别算法改进研究

文本分类算法常被用于自然语言处理领域,该算法可帮助系统理解用户输入的文本,准确判断用户的意图或需求,以便提供相应的回答或服务。作者在TextCNN文本分类模型的基础上融入情绪信息、词向量以及语句特征,提出一种新的意图识别模型emoBERT-TextCNN,该模型可增强意图分析与预测的准确性。以汽车行业和电子消费品两个独立数据集为例,将此模型与其他多种分类模型进行对比实验,实验结果表明文中所提出的分类模型,意图预测精确率均在80%以上,与不包含情绪信息的分类模型相比,其F1值分别提升了1.54%和1.03%,证明该模型能有效提高文本分类的准确性,且融入情绪信息能加强意图识别的强度。     

基于改进时空兴趣点检测的人体行为识别算法

提出了一种基于改进时空兴趣点检测的人体行为识别算法。旨在针对复杂环境的时空特性,在传统兴趣点检测算法的基础上,加入背景点抑制和时空兴趣点约束,以减少无用兴趣点对有效兴趣点信息的干扰。为此,首先对Harris-Laplace算法进行改进,以克服兴趣点检测过程中遇到的多尺度问题和冗余点过多问题,提取筛选后的有效兴趣点作为目标的运动坐标信息。然后基于Bag-of-words模型思想,使用HOG算子对兴趣点进行特征提取,建立视觉词典,使用AIB算法合并词义相近的视觉词汇,作为单词表中的基础词汇。最后使用SVM进行人体行为分类并实现复杂环境下的人体行为识别。为了验证新算法的有效性,分别在现有的公开人体行为基准数据库和一些复杂场景下进行实验。试验结果表明,通过对无用兴趣点的抑制,能够有效降低单帧图像的计算复杂度,减少特征提取时间,提高行为识别准确度。     

基于改进的高斯混合模型算法的说话人识别

高斯混合模型（GMM）已广泛运用于文本无关的说话人识别系统中,该方法具有简单高效的特点。在使用EM算法训练GMM时,GMM模型的初始化参数必须首先确定。本文采用改进后的模糊C均值聚类（FCM）方法将特征矢量归为与混合数相等的各个类中,然后计算参数作为初始值。实验表明,此训练方法能够获得更优的模型参数且识别率有较大的提高。     

基于局部特征图像匹配算法改进

本文针对SIFT算法存在着特征提取及匹配速度慢,在灰度变化相似的区域产生误匹配的缺陷,讨论了SIFT 的改进算法-SURF算法的原理及应用方法,对算法进行检验,指出SURF算法在提取特征点时更偏重于提取鲁棒性较强的点,同时,摒弃一些鲁棒性较弱的点,对鲁棒性强的特征进行匹配以减少计算时间,使SURF在实时性处理和大量图片...     

基于Kinect的跌倒行为识别算法

根据人体跌倒时的骨架特征,提出了一种人体跌倒行为识别方法.首先,依据跌倒行为的定义,将人体的头部和重心节点作为表征跌倒行为的特征参数,通过Kinect传感器获取人体骨架信息; 其次,采用滑动窗口和阈值方法确定行为的发生阶段,并提取其运动特征向量; 最后,通过人工神经网络对本文提取的跌倒行为特征进行训练和识别.实验结果表明,本文提出的方法高效准确,识别率达到90.5%.     

基于时空局部特征融合的人体行为识别

为了实现对公共区域等特定场所下的人体正常行走、跑动、挥拳、双手挥舞等人体行为的识别,提出了一种基于时空局部特征融合的人体行为识别方法.首先,对各种目标行为建立样本库,将不同类别的目标行为样本作为先验知识,以此训练支持向量机;然后通过高斯混合模型来检测运动前景,接着提取运动目标的区域特征和运动特征,通过K-L离散变换对两者进行特征融合;最后结合支持向量机具有全局最优性和较好泛化能力的特点,进行小样本的多目标行为分类识别,并和BP神经网络的识别效果进行比较.实验结果表明,SVM的识别率优于BP神经网络,其平均识别率可达96%.     

基于局部特征融合Transformer的牛身识别算法

目前,牛身识别技术大多采用卷积神经网络(Convolutional Neural Networks, CNN),CNN只能处理局部邻域信息,容易丢失细节信息。为此,提出一种基于局部特征融合Transformer的牛身识别算法。首先,运用卷积将相邻空间内的牛身局部信息进行融合,增强融合后局部特征信息在不同姿态下的辨别力和鲁棒性;其次,将融合后的局部信息和全局分类信息通过数个多层感知机模块进行分类训练,损失函数采用三元组和标签平滑交叉熵损失,有效提高了牛只多姿态场景下特征的提取。仿真实验结果表明,在复杂场景下,与基于CNN的牛身识别算法相比,提出的算法有效降低了拒识率,提高了Top1排序性能和AUC值。     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用, 以及深度学习算法的快速发展, 基于深度学习的行为识别算法层出不穷.相较于传统方法, 基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此, 本文对近年来提出的基于深度学习的行为识别算法进行了梳理, 并对由双流卷积网络和3D卷积网络结构发展而来的行为识别的系列算法进行了重点介绍, 并总结了各种算法的性能和成果, 最后对该领域进行了展望.     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用,以及深度学习算法的快速发展,基于深度学习的行为识别算法层出不穷.相较于传统方法,基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此,本文对近年来提出的基于深度学习的行为识别算法进行了梳理,并对由双流卷积网络和...     

基于连续密度隐马尔可夫模型的矿下异常行为识别算法

针对当前方法识别精度不高的问题,提出了基于连续密度隐马尔可夫模型的矿下异常行为识别算法。获取待识别矿下视频帧数据,通过级联分类器实现运动区域的初步检测,并读入下帧数据,直到所有帧检测完毕。引入连续密度隐马尔可夫(HMM)模型,将人体图像分解成若干相等区域,获取图像区域中的标准差值特征,对连续密度HMM进行训练,完成异常行为识别。实验结果证明,本文算法的识别结果具有精度高和检测率高的特性,说明其具有可靠性。     

基于改进的水平集局部二值拟合模型车牌分割算法

本文提出了改进的LBF模型的轮廓演化能量函数,它结合了CV模型的能量项加快了演化速度,并在结合LBF模型中的局部均值信息的同时,引入图像的局部方差和全局方差信息.实验结果证明该方法能够提供准确的光滑的闭合的边界,精度可以达到亚像素级,系统的识别准确率高.     

基于空洞卷积块架构的命名实体识别模型

受到空洞卷积的启发提出面向二维文本嵌入的列式空洞卷积,设计空洞卷积块架构,基于此架构提出命名实体识别模型并开展进一步试验。在命名实体识别试验中,提出的模型的精密度、召回率和F₁超越了其他基线模型,分别达到了0.918 7、0.879 4和0.898 6,表明空洞卷积块架构能够获取包含更多上下文信息的文本特征,从而支持模型对上下文长距离依赖特征的捕获和处理。感受野试验表明需要适当调整空洞率以减轻空洞卷积给模型带来的“网格效应”。提出的基于空洞卷积块架构能有效执行命名实体识别任务。     

改进的隐马尔可夫表情识别模型参数优化算法

人脸表情识别是人工智能领域中极富挑战性的课题,针对表情识别中存在的识别率低与计算量大的问题,提出了一种新的改进的隐马尔可夫表情识别模型参数优化的算法.先采用新的初始参数优化模型,然后利用Baum-Welch算法进行重估计,从而建立新的HMM人脸表情模型.实验结果表明,新模型明显提高了人脸表情的识别率并降低了计算量.     

基于局部性质的改进正交匹配追踪算法

正交匹配追踪算法是一种重要的压缩感知重构算法,针对正交匹配追踪算法中当前信号的最优估计,每一个采样点都有它的局部性质,且相邻采样点之间必然相互影响.本文基于局部性质,对正交匹配追踪算法进行改进,提高了对稀疏参数的估计精度,实现了信号的重构,实验证明了该方法的有效性。     

基于蚁群算法的行为识别特征优选方法

为了降低特征冗余,提高移动用户行为识别的准确率,提出一种基于蚁群算法的移动用户行为识别加速度信号特征优选方法。首先对样本数据进行预处理,根据特征对不同行为的分类敏感度进行初次优选,降低特征搜索空间的维度;然后利用蚁群算法结合神经网络分类器,以特征的分类准确度为评价准则对特征集合进行了二次优选。实验结果表明,该方法优选出的特征集具有较好的识别性能。     

基于TSK模型的模糊推理改进算法

在传统的基于TSK模型的模糊推理算法基础上,研究了一种改进的基于TSK模型的模糊推理新算法,并应用模糊神经BP算法给出三角形隶属函数下的算法的过程,最后将新算法与传统算法做了比较,得出基于TSK模型的模糊推理新算法在实际的过程中克服了传统推理算法会出现弱连续或不连续情况的优点。     

基于矢量量化改进算法的说话人识别

给出一种采用LPCCEP特征参数和改进矢量量化的数字音说话人识别方法 ,该方法适于说话人集合适中(10 0人以内 )情况 ,具有训练简单、存储数据量少、响应快等特点 .为提高系统的识别率和可靠性 ,系统采用了方差修正的VQ改进算法 ,使建立的说话人模型考虑了说话人帧特征概率分布的更精细结构 .实验结果表明 ,改进后的方法对提高系统的识别率效果明显     

基于Fast RCNN改进的布匹瑕疵识别算法

针对布匹瑕疵数据集分辨率高、瑕疵区域小,使用已有图像分类算法识别效果差的问题,提出了一种基于经典目标检测算法Fast RCNN改进的图像识别算法,用目标检测的流程完成图像识别任务。算法利用布匹瑕疵区域小的特性,在图像中生成大量潜在的瑕疵区域,利用卷积神经网络预测潜在区域包含瑕疵的概率,在算法的后期对潜在区域的概率进行合并,最终达到识别布匹中存在瑕疵的概率。在一个具有3 331张高分辨率图片的数据集上进行实验,结果表明,本文算法比OurNet以及已有的图像分类算法具有更好的性能。