利用惯性传感器的人体运动空间轨迹追踪

人体运动的空间轨迹追踪是一种利用传感器技术和计算机技术来分析记录人体的运动过程的方法.为了实现人体运动轨迹的空间追踪,本文设计了一种人体可穿戴式的人体运动捕捉系统,通过佩戴在人体关节点的惯性传感器单元来获取肢体的实时姿态信息.惯性传感器由加速度传感器、角速度传感器和磁力计构成.通过微控制单元获取传感器数据,利用低通滤波和卡尔曼滤波来更新四元数,再将预处理后的数据由蓝牙模块实时发送到电脑端.本文通过对肢体运动的不同角度的实验,证明了利用惯性传感器可以追踪人体肢体、运动的空间轨迹.     

基于轨迹多特征的运动模式学习及异常检测

为提高轨迹分类和异常检测的准确率,充分利用轨迹特征信息,提出基于轨迹多特征的运动模式分类和异常检测方法。首先通过由粗到细的分层聚类来提取轨迹运动模式,每层分别采用Bhattacharyya距离和基于线段插值的改进Hausdorff距离衡量轨迹间运动方向和空间位置的相似度,并引入Laplacian映射以降低计算复杂度并自动确定每层聚类数目。在此基础上,同时考虑待测轨迹与运动模式在起点分布、位置和方向上的差异,通过学习的起点分布模型和基于位置距离和方向距离的分类器在线判断起点、全局和局部异常。实验验证了提出的轨迹聚类算法和异常检测方法在聚类准确率和异常识别率上更优于传统方法。     

基于动态运动基元的轨迹学习方法

针对动态运动基元轨迹学习方法得到的学习轨迹终点值存在较大位置误差的问题,提出一种通过增大动态运动基元积分步数来减小位置误差的方法.通过以正弦轨迹、斜坡轨迹为示教轨迹的仿真实验验证了该方法的有效性.针对动态运动基元学习轨迹起始值与目标值相同时得到的学习轨迹恒为直线的问题,提出一种分段式轨迹学习方法.以轨迹极值点为分界点将学习轨迹分割为多段初始值与目标值不同的轨迹,通过仿真实验验证了该方法的有效性.     

轨迹空间中基于特征符号搜索算法的非刚体三维运动重建研究

现有研究一般是在正交约束条件下采用最小二乘法来求解三维运动轨迹基重建问题,然而这些算法的性能容易受噪声影响,产生不适定性。为此,通过利用离散线性的方法为三维运动搜索最优轨迹基系数和三维结构,建立了一种基于特征符号搜索算法的三维运动轨迹基重建方法。利用该方法,对一系列单目图像序列进行了重建实验研究,结果表明所提出的方法是可行的,并提高了重建算法的准确性。     

基于特征空间轨迹匹配方式的语音关键词检测法

语音关键词识别是近年来颇受重视的一个研究领域,文章基于特征空间轨迹的时间规整化原理,提出了一种高性能的关键词检测法,并探讨了轨迹等分长度对该算法检测性能的影响。实验结果表明,基于特征空间轨迹匹配方式的关键词检测法的检测性能接近于人工检测,具有一定的实用性。     

基于隐空间的运动捕获数据自动分割*

提出一种运动捕获数据自动分割方法。利用高斯过程隐变量模型对运动捕获数据进行降维,将其从高维观察空间映射到低维隐空间;在隐空间中构造运动特征函数,该函数具有结构简单、对所有关节敏感等优点,通过分析运动特征函数几何特征的变化,探测运动捕获数据的分割点,实现运动自动分割。实验结果表明,该方法具有较高的准确度和较好的普适性。     

基于BRISK特征的动态背景下运动目标检测

针对动态背景下运动目标检测过程中对检测算法实时性和鲁棒性的要求,提出了一种基于二进制鲁棒不变尺度特征(BRISK)的运动目标检测算法.通过改进的BRISK算法检测特征点;为了保证匹配精度和速度,采用K最近邻(KNN)算法进行特征点匹配;运用基于随机抽样一致性(RANSAC)的全局运动参数估计法获取最优全局运动参数;采用帧间差分法进行运动目标检测.实验结果表明:改进的BRISK算法减少了49.8％的特征点数目,KNN算法去除了85.9％的特征点对;在各种场景下能够准确地检测出运动目标,与以往算法相比检测效果较好.     

基于空间语义轨迹的GPS航迹行为特征检测研究

针对GPS航海定位系统轨迹检测缺乏语义的特点,提出一种基于空间语义轨迹的GPS航迹行为特征检测方法。该方法使用OWL形式描述GPS航迹行为特征,构建本体行为特征库以及提取航迹行为之间的数据依赖关系,在此基础上运用启发式的搜索算法生成关于Stop序列集的语义轨迹。然后,通过基于语义描述ALC-Tableau的逻辑推理,将Stop实例集与行为特征库相匹配。最后,通过实验分析验证该方法的有效性。     

基于空间位置特征的运动阴影检测方法

针对现有依据光学属性检测阴影的方法对不同场景通用性不强、对光照变化敏感等问题,提出一种基于空间位置特征的运动阴影检测方法.用经过标定的双目立体摄像机同时采集背景图像像对.离线获取背景图像对中各匹配点的位置对应关系.投射阴影附着在背景表面,与背景图像像对的位置对应关系相同,故可以通过比较前景图像像对各点在背景对应位置上像素值的相似程度来剔除阴影.该方法不需对环境特征及光照条件等先验知识的学习,各种复杂光照条件均不影响其检测精度.实验表明,该方法能够有效地检测出运动阴影.     

基于独立时空特征空间的人体运动合成

如何通过指定约束条件的方式交互式地合成风格化人体运动是计算机动画研究领域的热点和难点,传统的数据驱动办法通常没有全面考虑运动的静态和动态特性.针对这一问题,文中提出人体运动的独立时空特征空间模型,利用一个可变形运动模型和独立特征子空间分析算法提取运动在时空两个域上的特征,并将其封装起来,通过低维子空间进行描述.运动风格...     

真实场景运动目标轨迹有效性判断与自动聚类算法研究

提出了真实场景中的运动目标轨迹有效性判断与自动聚类方法.利用轨迹长度、坐标值方差及目标相邻两帧运动方向等信息,对轨迹进行了预处理,得到有效的轨迹,然后以其作为样本,计算轨迹之间的空间相似距离,采用K均值聚类法,按轨迹的几何形状完成了轨迹聚类.提出了利用目标运动的起始点及整个运动过程中目标的运动方向信息,采用K均值聚类方法,进一步按目标的运动方向完成了轨迹聚类.两种真实场景的目标轨迹聚类结果证明了该方法的有效性.其研究结果为学习轨迹模式、目标运动轨迹识别、分类、异常检测奠定了基础.     

真实场景运动目标轨迹有效性判断与自动聚类算法研究*

提出了真实场景中的运动目标轨迹有效性判断与自动聚类方法。利用轨迹长度、坐标值方差及目标相邻两帧运动方向等信息,对轨迹进行了预处理,得到有效的轨迹,然后以其作为样本,计算轨迹之间的空间相似距离,采用K均值聚类法,按轨迹的几何形状完成了轨迹聚类。提出了利用目标运动的起始点及整个运动过程中目标的运动方向信息,采用K均值聚类方法,进一步按目标的运动方向完成了轨迹聚类。两种真实场景的目标轨迹聚类结果证明了该方法的有效性。其研究结果为学习轨迹模式、目标运动轨迹识别、分类、异常检测奠定了基础。     

轨迹分布模式学习的层次自组织神经网络方法

提出一个层次自组织神经网络模型，并将其应用于基于事件识别的轨迹分布模式学习中。该文利用神经元的侧向连接将神经元连成若干条线，每条线对应一个“内部网”。对应于层次神经网络模型，建立了两个领域，即神经元领域和“内部网”领域，两个领域内的神经元都要不同程度地改变权值，从而完成运动轨迹分布模式的学习。还给出了利用轨迹分布模式检测出局部可能的异常现象、检测整个运动轨迹所表示的事件是否为异常事件和目标行为预测的方法。实验进一步说明了该方法的可行性和有效性。     

车辆轨迹中的隐性位置异常数据检测

随着智能交通的发展, 大量的车辆轨迹数据被收集和存储, 但这些轨迹数据总是会存在异常轨迹点数据, 严重影响后续轨迹数据分析的准确性和有效性. 本文发现了一类隐性的位置异常轨迹数据, 此类异常数据用传统的基于移动特征阈值的检测方法难于发现, 但对轨迹数据分析过程同样有着重要的影响. 针对此类异常轨迹数据, 本文以部分西安市出租车轨迹数据为例, 提出了一种基于浮动网格和聚类方法的隐性异常轨迹数据检测方法, 并实现了数据的并行化方式. 实验结果展示所提方法检测隐性位置异常的数据召回率、精确率能够达到0.90, 并且F1-score在0.88–0.91范围. 检测出这种隐性异常轨迹数据, 有利于后续的时空轨迹数据分析与应用.     

Learning States and Rules for Detecting Anomalies in Time Series

The normal operation of a device can be characterized in different temporal states. To identify these states, we introduce a segmentation algorithm called Gecko that can determine a reasonable number of segments using our proposed L method. We then use the RIPPER classification algorithm to describe these states in logical rules. Finally, transitional logic between the states is added to create a finite state automaton. Our empirical results, on data obtained from the NASA shuttle program, indicate that the Gecko segmentation algorithm is comparable to a human expert in identifying states, and our L method performs better than the existing permutation tests method when determining the number of segments to return in segmentation algorithms. Empirical results have also shown that our overall system can track normal behavior and detect anomalies.     

Motion-based behaviour learning, profiling and classification in the presence of anomalies

Techniques for understanding video object motion activity are becoming increasingly important with the widespread adoption of CCTV surveillance systems. Motion trajectories provide rich spatiotemporal information about an object's activity. This paper presents a novel technique for clustering and classification of motion. In the proposed motion learning system, trajectories are treated as time series and modelled using modified DFT (discrete fourier transform)-based coefficient feature space representation. A framework (iterative HSACT-LVQ (hierarchical semi-agglomerative clustering-learning vector quantization)) is proposed for learning of patterns in the presence of significant number of anomalies in training data. A novel modelling technique, referred to as m-Mediods, is also proposed that models the class containing n members with m Mediods. Once the m-Mediods-based model for all the classes have been learnt, the classification of new trajectories and anomaly detection can be performed by checking the closeness of said trajectory to the models of known classes. A mechanism based on agglomerative approach is proposed for anomaly detection. Our proposed techniques are validated using variety of simulated and complex real life trajectory data sets.     

Classifying spatiotemporal object trajectories using unsupervised learning in the coefficient feature space

This paper proposes a novel technique for clustering and classification of object trajectory-based video motion clips using spatiotemporal function approximations. Assuming the clusters of trajectory points are distributed normally in the coefficient feature space, we propose a Mahalanobis classifier for the detection of anomalous trajectories. Motion trajectories are considered as time series and modelled using orthogonal basis function representations. We have compared three different function approximations – least squares polynomials, Chebyshev polynomials and Fourier series obtained by Discrete Fourier Transform (DFT). Trajectory clustering is then carried out in the chosen coefficient feature space to discover patterns of similar object motions. The coefficients of the basis functions are used as input feature vectors to a Self- Organising Map which can learn similarities between object trajectories in an unsupervised manner. Encoding trajectories in this way leads to efficiency gains over existing approaches that use discrete point-based flow vectors to represent the whole trajectory. Our proposed techniques are validated on three different datasets – Australian sign language, hand-labelled object trajectories from video surveillance footage and real-time tracking data obtained in the laboratory. Applications to event detection and motion data mining for multimedia video surveillance systems are envisaged.     

计算机兵棋作战实体轨迹聚类算法

针对计算机兵棋系统的实际应用,提出计算机兵棋实体轨迹聚类算法——CTECW(clustering trajectoriesof entities in computer wargames).算法分为3部分:轨迹预处理、轨迹分段聚类以及可视化表现.轨迹预处理将实体原始轨迹转化成实体简化轨迹,再进一步处理成轨迹分段;在DBSCAN算法的基本框架下引入DENCLUE算法中密度函数的概念,并基于提出的相似性度量函数对轨迹分段进行聚类;可视化表现将轨迹分段聚类的结果以赋有军事涵义的形式展现给参与兵棋推演的受训指挥员,体现出算法的实际应用价值.理论分析与实验结果表明,CTECW算法能够得到与TRACLUS算法比较接近的聚类结果,但计算效率却比TRACLUS算法要高,并且聚类结果不依赖于用户参数的仔细选择.     

Activity classification and anomaly detection using m-mediods based modelling of motion patterns

Techniques for video object motion analysis, behaviour recognition and event detection are becoming increasingly important with the rapid increase in demand for and deployment of video surveillance systems. Motion trajectories provide rich spatiotemporal information about an object's activity. This paper presents a novel technique for classification of motion activity and anomaly detection using object motion trajectory. In the proposed motion learning system, trajectories are treated as time series and modelled using modified DFT-based coefficient feature space representation. A modelling technique, referred to as m-mediods, is proposed that models the class containing n members with m mediods. Once the m-mediods based model for all the classes have been learnt, the classification of new trajectories and anomaly detection can be performed by checking the closeness of said trajectory to the models of known classes. A mechanism based on agglomerative approach is proposed for anomaly detection. Four anomaly detection algorithms using m-mediods based representation of classes are proposed. These includes: (i)global merged anomaly detection (GMAD), (ii) localized merged anomaly detection (LMAD), (iii) global un-merged anomaly detection (GUAD), and (iv) localized un-merged anomaly detection (LUAD). Our proposed techniques are validated using variety of simulated and complex real life trajectory datasets.