基于局部描述子的人体行为识别

提出一种新的局部时空特征描述方法对视频序列进行识别和分类。结合SURF和光流检测图像中的时空兴趣点,并利用相应的描述子表示兴趣点。用词袋模型表示视频数据,结合SVM对包含不同行为的视频进行训练和分类。为了检测这种时空特征的有效性,通过UCF YouTube数据集进行了测试。实验结果表明,提出的算法能够有效识别各种场景下的人体行为。     

基于多传感器的人体运动模式识别

针对日常生活中人体的运动具有准周期特性的特点,设计了一种基于加速度信息与脚底压力的下肢运动信息采集系统。通过采集脚底压力信息监测关键步态事件,在事件前后对下肢加速度数据进行特征提取,从而对4种常见行为(走路、跑步、上楼和下楼)进行识别。实验结果表明:提出的方法在仅提取较为简单的时域特征信息情况下,平均识别正确率为94. 79%。     

基于深度学习的人体动作识别方法

对基于机器视觉的人体动作识别的成果进行研究,为提高视频数据集中人体动作的识别率,提出一种改进的深度网络模型。采用稠密光流方法处理数据,结合二维卷积神经网络(2DCNN)、三维卷积神经网络(3DCNN)和长短期记忆神经网络(LSTM)对动作特征进行提取,利用Softmax分类器识别分类。通过KTH数据集进行实验对比验证,分析结果表明,改进模型相比其它已有模型具有更高的识别率,动作识别效果更优。     

基于可变形卷积神经网络的人体动作识别

针对复杂场景中人体动作识别准确率不高的问题,构建了一种基于可变形卷积网络(DCN)与可变形部件模型(DPM)融合改进的人体动作识别系统.首先将DPM的部件滤波器由5个增加到8个,并结合分支定界算法共同将准确率提高约11个百分点,速度提高3倍左右;其次利用DCN根据人体动作进行感兴趣点采样;然后将改进的DPM与DCN在可...     

多视角深度运动图的人体行为识别

目的 使用运动历史点云（MHPC）进行人体行为识别的方法,由于点云数据量大,在提取特征时运算复杂度很高。而使用深度运动图（DMM）进行人体行为识别的方法,提取特征简单,但是包含的动作信息不全面,限制了人体行为识别精度的上限。针对上述问题,提出了一种多视角深度运动图的人体行为识别算法。方法 首先采用深度图序列生成MHPC对动作进行表示,接着将MHPC旋转特定角度补充更多视角下的动作信息;然后将原始和旋转后MHPC投影到笛卡儿坐标平面,生成多视角深度运动图,并对其提取方向梯度直方图,采用串联融合生成特征向量;最后使用支持向量机对特征向量进行分类识别,在MSR Action3D和自建数据库上对算法进行验证。结果 MSR Action3D数据库有2种实验设置,采用实验设置1时,算法识别率为96.8%,比APS_PHOG（axonometric projections and PHOG feature）算法高2.5%,比DMM算法高1.9%,比DMM_CRC（depth motion maps and collaborative representation classifier）算法高1.1%。采用实验设置2时,算法识别率为93.82%,比DMM算法高5.09%,比HON4D（histogram of oriented 4D surface normal）算法高4.93%。在自建数据库上该算法识别率达到97.98%,比MHPC算法高3.98%。结论 实验结果表明,多视角深度运动图不但解决了MHPC提取特征复杂的问题,而且使DMM包含了更多视角下的动作信息,有效提高了人体行为识别的精度。     

基于不同光照条件的人体手势识别新方法

针对不同光照条件下基于摄像头的人体手势识别所存在的识别率、实时性和鲁棒性等问题,提出一种基于不同光照条件的人体手势识别新方法。首先利用传统图像处理技术与光线补偿、色彩平衡、对比度受限自适应直方图均衡( CLAHE)进行视频帧预处理,然后运用基于Haar分类器的前期检测与基于YCrCb肤色模型的后期验证进行手势识别分类,并提取质心特征进行方向跟踪判断,最终完成静态与动态实时人体手势识别任务。实验结果表明,在几种不同光照条件下,实时识别率达90%以上,且在手势扭曲、侧对与旋转一定程度下仍具良好识别效果。     

Cyclic motion detection for motion based recognition

The motion of a walking person is analyzed by examining cycles in the movement. Cycles are detected using autocorrelation and Fourier transform techniques of the smoothed spatio-temporal curvature function of trajectories created by specific points on the object as it performs cyclic motion. A large impulse in the Fourier magnitude plot indicates the frequency at which cycles are occurring. Both synthetically generated and real walking sequences are analyzed for cyclic motion. The real sequences are then used in a motion based recognition application in which one complete cycle is stored as a model, and a matching process is performed using one cycle of an input trajectory.     

基于高稳定SURF特征的交通标志识别

针对光照变化和部分遮挡这两种情形,提出一种基于多帧视频图像的高稳定特征的交通标志识别方法。利用有交通标志的多帧视频图像的SURF特征建立bag of SURFs特征向量集,与标准交通标志图像的模板特征向量集匹配,采用权值计分策略的最高得分确定交通标志的识别结果。对三种情形下的公开视频图像集进行了实验并与最新方法进行对比分析,结果表明新方法的交通标志识别效果具有明显的优越性,是在光照变化和部分遮挡情形下一种有效的交通标志识别方法。     

基于条件随机场的领域术语识别研究

领域术语是各个领域的核心词汇,在研究了大量领域文献的基础上,提出了一种识别领域术语的方法。该方法以现有成熟工具为依托,使用条件随机场模型统计领域术语的词性组合概率。在选定特征集后,通过调整特征和窗口的组合,制定一个最优特征模板,同时通过10倍交叉验证法确定模型训练参数。实验结果表明,通过条件随机场模型分析领域术语的词性组合概率能够有效地识别领域术语。     

Human motion recognition using support vector machines

We propose a motion recognition strategy that represents each videoclip by a set of filtered images, each of which corresponds to a frame. Using a filtered-image classifier based on support vector machines, we classify a videoclip by applying majority voting over the predicted labels of its filtered images and, for online classification, we identify the most likely type of action at any moment by applying majority voting over the predicted labels of the filtered images within a sliding window. We also define a classification confidence and the associated threshold in both cases, which enable us to identify the existence of an unknown type of motion and, together with the proposed recognition strategy, make it possible to build a real-time motion recognition system that cannot only make classifications in real-time, but also learn new types of motions and recognize them in the future. The proposed strategy is demonstrated on real datasets.     

基于 ResNeXt 的人体动作识别

人体动作识别是计算机视觉领域的核心研究方向之一,在很多场合都有应用。深 度卷积神经网络在静态图像识别方面已取得了巨大成功,并逐渐扩展到视频内容识别领域,但 应用依然面临很大挑战。为此提出一种基于 ResNeXt 深度神经网络模型用于视频中的人体动作 识别,主要包括：①使用新型 ResNeXt 网络结构代替原有的各种卷积神经网络结构,并使用 RGB 和光流 2 种模态的数据,使模型可充分地利用视频中动作外观及时序信息;②将端到端的 视频时间分割策略应用于 ResNeXt 网络模型,同时将视频分为 K 段实现对视频序列的长范围时 间结构进行建模,并通过测试得到最优视频分段值 K,使模型能更好地区分存在子动作共享现 象的相似动作,解决某些由于子动作相似而易发生的误判问题。通过在动作识别数据集 UCF101 和 HMDB51 上进行的测试表明,该模型和方法的动作识别准确率性能优于目前文献中的一些模 型和方法的性能。     

基于SIFT的说话人唇动识别

针对唇部特征提取维度过高以及对尺度空间敏感的问题,提出了一种基于尺度不变特征变换（SIFT）算法作特征提取来进行说话人身份认证的技术。首先,提出了一种简单的视频帧图片规整算法,将不同长度的唇动视频规整到同一的长度,提取出具有代表性的唇动图片;然后,提出一种在SIFT关键点的基础上,进行纹理和运动特征的提取算法,并经过主成分分析（PCA）算法的整合,最终得到具有代表性的唇动特征进行认证;最后,根据所得到的特征,提出了一种简单的分类算法。实验结果显示,和常见的局部二元模式（LBP）特征和方向梯度直方图（HOG）特征相比较,该特征提取算法的错误接受率（FAR）和错误拒绝率（FRR）表现更佳。说明整个说话人唇动特征识别算法是有效的,能够得到较为理想的结果。     

利用角点历史信息的异常行为识别算法

针对视频监控场景中的异常行为事件,如突然的奔跑、人群的异常聚集等现象,提出一种利用角点运动历史图策略的行为识别算法,即首先通过角点提取算法进行场景角点提取;然后通过时间累积获取角点的历史图,通过角点历史图将场景中的角点划分为静态角点和动态角点;最后通过动态角点分析完成监控场景异常行为分析识别。新算法充分利用了图像的时空信息,并且克服了场景光照影响,增强了异常行为检测与识别的准确性。通过真实场景实验可以看出,新算法能够对不同监控场景的异常行为进行准确检测,并且其检测速度快,满足实际应用需求。     

近似周期运动的人体异常行为识别

从人体行为动作的近似运动周期出发,对人体异常行为识别进行了研究。首先采用混合高斯模型的背景差分法提取出人体运动目标,然后对人体形状的变化进行分析来获取该人体运动的近似周期,将人的行为序列分解为一系列的近似运动周期单元,并提取某一近似运动周期单元的R变换特征,最后通过动态时间规整法来决定不同人体运动的类别归属。实验证明,该算法可以有效地检测人体异常行为。     

Estimation of complex multimodal motion: an approach based on robust statistics and Hough transform

An application of robust statistics in a Hough transform based motion estimation approach is presented. The algorithm is developed and experiments are performed, proving its superior performance in terms of estimate accuracy, convergence, robustness and better segmentation. Comparative results with standard methods are also included.     

基于运动矢量的MPEG视频镜头边界检测

首先提取I帧的DC图进行镜头的粗略检测,然后提取P帧的前向运动补偿矢量,利用扩展矢量中值(EVM)滤波对运动矢量进行滤波预处理,并且进一步提取三个运动特征：运动强度值、运动强度差和运动矢量方向直方图绝对差,最后用模糊逻辑对上述三个特征进行综合,推理得出突变、渐变镜头和非镜头,实现镜头的检测。由于不需要对视频完全解压,直接从MPEG压缩码流中提取信息,所以计算复杂度低,提取速度较快。最后通过实验验证了该方法。