基于AlphaPose优化模型的老人跌倒行为检测算法

针对在低功耗、低成本硬件平台快速准确检测老人跌倒高危行为的问题,提出了一种基于AlphaPose优化模型的老人异常行为检测算法.首先,对行人目标检测模型和姿态估计模型进行优化,以加快人体目标检测和姿态关节点推理;然后,通过优化的AlphaPose模型快速计算得到人体姿态关节点图像坐标数据;最后,计算人体跌倒瞬间头部关节...     

基于改进OpenPose的学生行为识别研究

学习者的行为动作能够反映出学习者的学习状态.传统学习者行为识别方法存在实时性不高、准确率低等问题.针对以上问题,提出了一种基于改进OpenPose的学习者行为识别方法.该方法从人体骨骼关节点角度出发,首先通过高斯滤波消除图像中的高斯噪声;然后通过融入注意力机制的目标检测算法检测图像中的目标学生位置,再将检测后的图像通过改进的OpenPose模型提取人体骨骼关节点坐标;最后利用ST-SVM分类器对获取的关节点坐标进行分类,从而快速准确地识别出学习者的行为状态.实验结果表明,该方法能够快速、准确地识别出学生的行为动作,准确率达到99％以上,fps达到了20以上,相比原模型,fps提升了50％.     

基于姿态估计的实时跌倒检测算法

为了快速、准确地检测老年人跌倒事件的发生,给出一种基于姿态估计的实时跌倒检测算法.首先利用基于深度学习的人体姿态估计算法得到人体关节点的坐标;然后,通过计算人体质心点的下降速度、跌倒后颈部关节点的纵坐标值是否大于阈值、以及肩部和腰部关节点的相对位置关系来判断跌倒是否发生.所给出的跌倒检测算法利用单目相机进行检测,便于以嵌入式方式应用于机器人.实验结果表明,所提出算法与当前先进方法相比取得了较好的效果.     

基于人体关节点多特征融合的暴力行为识别

针对目前视频中暴力行为识别算法识别准确率不高的问题,提出一种基于人体关节点多特征融合的暴力行为识别方法。使用YOLO-Pose算法实现人体检测与姿态估计,获取人体关节点位置信息,基于人体结构提取关节点的距离特征和形状特征,基于运动特性提取关节点的动态特征和姿态特征,将所有特征信息进行融合,构建Bi-LSTM行为识别模型实现暴力行为识别分类,并设计行为识别结果稳定器,解决识别过程中因随机干扰导致的行为误判问题。在公开暴力行为数据集Violent-Flows与自制暴力行为数据集Vio-B上验证提出方法的有效性,实验表明,在Violent-Flows数据集与Vio-B数据集上本方法准确率分别达到97.9%与98.5%,高于现有方法。     

基于卷积神经网络和多判别特征的跌倒检测算法EI北大核心CSCD

针对传统跌倒检测算法中特征提取不充分、跌倒判别条件泛化性差、实时性差等问题,提出一种基于卷积神经网络和多判别特征的跌倒检测算法.为了完成更丰富的特征信息提取并保证实时性,首先,使用MobileNetV3轻量级网络完成对输入图片中人物特征信息的准确、快速提取;其次,使用3个小型卷积核的叠加和残差网络,保证网络在具有相同感受野的情况下降低网络模型的参数量,以保证图像中人体关键点检测的实时性;再次,为了提高跌倒状态判别的准确性,将人体躯干、四肢与地面间夹角,以及人体标定框高宽比变化作为跌倒判别特征;最后,设计了一个基于云服务器的物联网系统,以缓解用户终端计算能力不足导致实时性差的问题.在URFD数据集和自建数据集上进行大量实验的结果表明,该算法的检测准确率分别为99.0%和98.5%,该算法相对于传统跌倒检测算法具有更高的准确性和更好的普适性.     

基于人体关节点的低头异常行人检测

近年来,随着智能手机的快速发展,低头族行人在过马路时依然保持浏览手机的姿态,由此造成的交通事故时有发生。如何有效检测低头族成为了当下亟待解决的问题。现有的检测方法需要大量的真实低头异常的数据集,且最终结果存在识别精度不高、速度不尽人意的问题。基于此,提出了一种快速有效的低头异常行人检测方法,与现有方法的区别在于该方法是基于关节点而不是图像。首先设计了一种构造数据集的方法,在识别人体关节点的基础上,调整左右腕关节坐标来模拟行人手持电子设备的姿态,解决了数据集缺少且需要大量标注的问题;其次,提出复杂环境中高效检测行人异常行为的算法,对上述关节点坐标进行分类识别,充分利用手臂与头部信息来实现行人异常行为检测。实验证明,所提算法能够实现实时检测,且检测精度达到了94.08%,从而可以为视频监控、驾驶员、辅助驾驶以及自动驾驶系统提供必要的参考信息。     

基于人体行为模型的跌倒行为检测方法

随着移动互联网的广泛应用,智慧社区等一系列移动互联应用等得到人们的重视,特别是以居家养老的老年人防跌倒检测备受关注.针对目前老年人跌倒没有及时得到检测报警,从而无法及时救助,进而产生更严重的安全性的问题,本文提出了一种跌倒检测方法.本文提出的方法首先对特定人体进行扫描,利用人体建模工具poser构建出人体模型,在运动过程中根据关节点位置将二维坐标映射出相应的三维坐标并通过节点位置预测算法对映射后的三维坐标进行关节点位置预测,然后将预测后的子关节聚合到父类三维空间坐标轴中并预测出父类关节点的运动状态,当子关节点与父关节点预测结果同时处于跌倒状态,则判断人体所处于跌倒状态.由于所建立的运动模型在运动特征上具有较高的真实性,以此获取关节点的数据变化真实可靠.经过大量的实验数据表明,本文提出的跌倒检测方法可以精准实时反应运动状态,检测准确率为99%,由此可见本文提出的方法应用于跌倒检测是有效并可靠的.     

融合运动特征和深度学习的跌倒检测算法

为了利用计算机视觉技术准确检测老年人的跌倒状况,针对现有跌倒检测算法中人为设计特征造成的不完备性以及跌倒检测过程中前后景分离困难、目标混淆、运动目标丢失、跌倒检测准确率低等问题,提出了一种融合人体运动信息的深度学习跌倒检测算法对人体跌倒状态进行检测.首先,通过改进YOLOv3网络进行前景与背景的分离,并根据YOLOv3...     

改进CenterNet算法的煤矿皮带运输异物识别研究北大核心CSCD

为了实现运煤皮带运行时对进入其中的异物快速准确识别,防止皮带撕裂现象的发生,提出了一种改进的CenterNet运煤皮带异物检测算法。首先,对煤矿井下图像进行预处理,使其适应CenterNet算法,提高网络对目标图像检测的有效性;然后,对网络进行改进,将残差模块中的标准卷积替换成深度可分离卷积,有效降低网络计算量,减少冗余;接着,采用组规范化作为优化规范化方式,降低了对硬件设施的要求;最后,使用加权特征图融合方法,充分利用各层提取的特征,提高网络的检测准确率。实验结果表明,针对异物目标尺寸差异较大且分布不均匀的情况,改进后的CenterNet算法降低了目标的误检率和漏检率,可有效提升检测速度和异物识别精度。     

基于深度学习的配电高压操作机器人运动控制技术研究

随着人工智能的快速发展,体感控制成为机器人人机交互的热点方向,如何快速且准确地识别人体姿态是完成体感控制的一大难点。此次研究将通过改进后的YOLOv4模型检测人体框架,改进后的堆叠沙漏网络模型识别关节点,以提高人体姿态识别的速度和准确率;并针对机器人上半身手臂运动和下半身步态控制的特点,开发关节点映射算法来对机器人进行体感控制,解决配电高压操作机器人进行人机交互时容易摔倒的问题。结果表明,改进后YOLOv4网络检测人体目标的最好结果为84.37%,改进堆叠沙漏网络模型的收敛损失函数为0.096,PCK值为88.3%;研究模型的识别速度均值较CPN模型提高了21.5 s,表明研究模型在提高人体姿态识别准确率的同时,提高了体感控制的效率,在体感控制领域有一定的研究价值。     

基于轻量级姿态估计的跳绳检测计数算法

针对人体姿态估计算法可实施性低以及基于姿态估计的跳绳计数精度不高的问题, 提出了一种基于轻量级人体姿态估计网络的跳绳计数算法. 该算法首先输入跳绳视频, 接着利用帧间差分法提取关键帧图像并送入人体姿态估计网络进行关节点检测; 同时为了解决轻量级网络检测精度不高的问题, 提出优化的LitePose检测模型, 采用自适应感知解码方法对模型的解码部分进行优化从而减少量化误差; 然后采用卡尔曼滤波对坐标数据进行平滑降噪, 以减小坐标抖动误差; 最终通过关键点坐标变化判断跳绳计数. 实验结果表明, 在相同图像分辨率和环境配置下, 本文提出的算法使用优化的LitePose-S网络模型, 不仅未增加模型参数量和运算复杂度, 同时网络检测精度提高了0.7%, 且优于其他对比网络, 而且本算法在跳绳计数时的平均误差率最低可达1.00%, 可以利用人体姿态估计的结果有效地判断人体起跳和落地情况, 最终得出计数结果.     

基于CenterNet-GYolov3的车辆检测方法

为了提高对视频中车辆的实时,准确的检测,提出一种新的车辆检测方法,该方法通过CenterNet目标检测对视频图像中的车辆进行识别并自动进行标签制作成数据集,再基于改进后的GYolov3训练数据集,最后实现对视频图像中车辆的准确检测。在损失函数中,使用GIoU来取代Yolov3的损失函数,实验数据表明,在使用GIoU作为新的损失函数后,建立了新的设计模型,在检测速度上略微有所提升,在检测精度上提高了5%。     

基于改进CenterNet的托盘定位方法

目前,托盘定位大多采用基于深度神经网络的目标检测算法,一般使用矩形框进行托盘定位,托盘中心点定位精度不高,且无法有效估计托盘水平方向.针对此问题,本文提出了基于关键点检测的托盘定位方法,通过检测托盘正面外轮廓的4个角点来定位托盘.首先,由于目前没有大规模的托盘数据集,使用迁移学习的方法,将CenterNet的人体姿态估计引入托盘定位任务.然后改进关键点分组方法,并提出关键点回归自适应补偿,提高关键点检测精度.在托盘关键点定位的基础上,提出基于几何约束的托盘中心点计算和托盘水平方向估计方法.本文方法与原CenterNet相比,托盘关键点定位指标AP^kp从0.352提高到0.728,托盘中心点定位精度指标ALP达到0.946,并且可以有效估计托盘水平方向,具有较高的实用价值.     

基于关键点估计的抓取检测算法

抓取是机器人在服务与工业领域中进行人机协调的重要能力,得到一个准确的抓取检测结果是机械臂能否完成抓取任务的关键.为了提高抓取检测的准确率以及实时性,提出了一种由CenterNet改进的基于关键点估计的抓取检测算法.在网络的特征提取层使用了特征融合方法融合不同的特征图,减少特征的丢失;增加了角度预测分支用来预测抓取角度;...     

基于先验约束的空时联合视频错误检测算法

视频错误检测是视频错误隐藏的基础,为此针对视频的典型应用场景对其展开研究,对基于空域特征的错误检测算法进行了改进,使其可自适应调节判决门限。在此基础上综合已有算法并引入视频时域相关性特征,提出一种具有较强普适性的基于先验约束的空时联合视频错误检测算法。以3G视频通话业务为例进行仿真,仿真结果表明,该算法错误检测的定位精度较高,为错误隐藏提供了可靠依据。     

基于Mobile U-Net的多目标(行人)检测算法

目标检测是指对图像或视频进行特征提取与分析,确定目标在图像中的位置信息,并能准确进行分类的一类算法。提出的Mobile U-Net是一种新型的无锚点的多目标检测算法,将语义分割问题转换成目标检测问题,并在分割网络U-Net网络的基础上,结合MobileNetV2,既保证了精度,又在满足了实时性。实采的视频数据上测试显示,在CPU i5-82501.8GHz硬件平台上的平均速度能达到17.38fps。