基于主元分析法的行为识别

通过研究,建立了一个基于主元分析的识别办体行为的系统,其方法是通过在Ｈ、Ｓ、Ｉ颜色空间对皮肤颜色建立高期模型,结合运动限制和区域连续性,系统地分割并跟踪人脸和双手,然后,在ＰＣＡ框架下,表示脸和手的运动参数曲线,并和范例进行匹配,这种通过对行为在时空域变化的建模方法,能在行为主体和成象条件有变化的情况下识别行为,以太极拳式谡列,来验证方法和系统的效果,实验结果证明了此方法误识率低,有一定的鲁棒性,     

基于位置和运动轨迹的老年人异常行为检测

针对老年人异常行为检测,分析老年人日常行为特点及规律,对其日常运动轨迹进行采样和量化,并使用基于改进的HMM模型进行轨迹行为习惯建模,结合模糊C均值聚类算法提取轨迹标志点确定HMM初值,并通过改进的重估公式和反馈滑动窗口进行训练与检测.实验结果表明,运动轨迹可以作为老年人行为习惯的一个重要描述形式,利用位置和轨迹对家庭环境下的异常行为检测是有效的,且能保证较高的准确率和较低的漏检率.     

基于监控系统的人体行为识别技术研究

针对传统行为识别技术实时性、鲁棒性较差等问题,提出了一种高效鲁棒性的人体行为识别算法。通过基于Meanshift和Kalman滤波相结合的跟踪算法来跟踪定位人体目标;利用肢体特征和区域特征来提取运动特征;利用基于OAA的支持向量机分类识别。仿真实验表明,该算法实时性好、鲁棒性高,能有效应用于监控系统中。     

基于光流的人体行为识别

人体行为识别已成为计算机视觉中的一个研究热点,并且光流法已被应用到各种应用场合。针对教室内学生的站立和坐下的视频,提出了基于光流的人体行为识别算法。首先获取当前帧的活动点集,从而得到活动区域。根据保存帧的信息统计向上光流和向下光流,结合当前人的状态,判断出人的动作。最后进行人的状态的更新。在整个视频处理过程中,该算法重复以上过程,维持了站立人的状态跟踪。实验结果表明,该算法能够识别出站立和坐下的动作,验证了该算法的有效性和鲁棒性。     

基于头顶点三维运动轨迹的身份识别新方法

提出了一种基于头顶点三维运动轨迹的身份识别新方法, 并对相关的基本问题进行了较为系统的研究. 人在行走时, 从头顶点三维运动轨迹中可提取出人体侧视平面上的身高波动信息和人体俯视平面上的摇摆运动信息. 从身高波动信息可提取身高参数(身高均值、身高幅值)和步幅参数(步幅长度、步幅频率); 这些参数已被证实可作为身份识别的特征参数. 本文通过实验进一步证实, 从摇摆运动信息提取的摇摆参数(摇摆均值、摇摆幅值和摇摆角)也具有一定的识别力. 综合身高参数、步幅参数和摇摆参数, 得到一组识别力更强、更稳定的特征组合, 从而验证了头顶点三维运动轨迹这种新的生物特征用于身份识别的有效性.     

课堂环境下用于头部行为识别的李群特征表示

头部行为是个体行为的重要组成部分,在课堂环境下对于学生的行为来说更是如此。使用传统的RGB视频图像进行头部行为识别有着许多限制,例如背景的干扰和光线的变化等,而深度图像可以通过包含的深度信息很好地处理这些问题。针对课堂环境下的头部行为识别问题,受到李群理论的启发,提出了一种从深度图像中提取李群特征表示的模型,并且使用该李群特征完成了头部行为识别任务。从深度图像中获取脸部的关键点及关键段信息,通过计算相邻帧之间关键段的旋转及位移获得能够同时表示时间空间信息的李群特征表示,使用支持向量机来完成头部行为的分类识别。在公开数据集上验证了方法的有效性,然后通过Kinect获取制作了课堂环境下的真实行为数据,实验结果表明李群特征表示方法能够有效帮助课堂环境下头部行为的识别,对课堂环境下的学生行为识别提供了帮助。     

基于行为识别的垃圾邮件过滤模型研究

从20世纪70年代后期出现第一封垃圾邮件开始,垃圾邮件的破坏力在逐年增加,如何过滤和阻止每天不请自来的成千上万的垃圾邮件已经成为人们关注的焦点。本文通过对邮件发送方发送行为的分析,建立了一个基于行为识别的垃圾邮件过滤模型。和基于内容识别的垃圾邮件过滤技术相比该模型具有过滤速度快,识别率高的特点。     

基于MHI与LBP表情识别的辅助异常行为识别

为了进一步提高家居环境中异常行为的在线识别能力,将运动历史图像与表情识别相结合,提出了一种基于MHI(Motion History Image)与LBP(Local Binary Pattern)表情识别的辅助异常行为识别方法。该方法通过运动历史图像辅助识别运动轨迹,同时利用LBP提取人脸特征,进行面部表情识别,进而辅助识别异常行为状态。实验结果表明,本文方法对异常行为的识别率有一定的提升。     

基于Yolo和GOTURN的景区游客翻越行为识别

近年来,随着旅游市场的快速发展,在旅游景区出现的一些违规行为,不仅危害了人身安全,而且也给社会造成了许多负面影响.由于出现该类行为的频率不高,通过人工观察耗费大量人力资源且效率不高,使用深度学习算法对具体行为进行识别,帮助景区监管人员快速预警违规行为,已成为必然趋势.针对这一问题,结合目标检测与目标跟踪任务,该文提出了...     

基于HMM的触点轨迹识别

针对触点轨迹运动复杂,其识别准确率较低的问题。引入隐马尔科夫模型,采用基于模型描述的方法获得轨迹的动态特性,并对各个轨迹模式建立相应的隐马尔科夫模型。首先利用训练样本得到可靠地参数,然后计算测试样本对于各个模型的最大似然概率,最后选取最大概率值对应的轨迹模式作为识别的结果。实验结果表明,用HMM模型识别触点轨迹,其识别速度较快,并对不同复杂程度的触点运动轨迹,其最高识别率可达到80%。     

基于一卡通数据的大学生校园数字行为轨迹分析

数字化校园系统建设的核心是校园一卡通,通过校园一卡通的有机整合,能够有效地避免高校的不必要投入,进一步提高高校的信息化建设进度,为高校系统之间资源的无缝共享打下坚实的基础。文章从数据管理、消费行为、身份认证行为研究了校园一卡通在高校校园内的数字行为轨迹。     

一种基于信道状态信息的人员轨迹跟踪方法

针对在室内环境的轨迹跟踪过程中,通信开销较大和算法复杂度较高的问题,对一种基于CSI（channel state information）信号的人员轨迹跟踪方法进行研究。首先从CSI中提取代表目标位置（角度）概率的AOA（angle-of-arrival）频谱,通过MUSIC算法得到的多普勒频移与AOA频谱相结合来确定人员移动速度及位置;最后利用改进的三边定位质心算法确定人员位置、模拟人员移动轨迹,实现了对室内人员精准的跟踪定位。通过与其他算法以及不同人员移动速度的对比,仿真实验表明提出的人员追踪方法可以大幅度提高定位的精确性与稳定性。     

基于隐马尔可夫模型的行为轨迹还原算法

针对行为轨迹还原过程中观察序列状态缺失、无法对终端轨迹进行精确还原的问题,提出一种基于隐马尔可夫模型的行为轨迹还原算法。利用基站布局的空间相关性,在不考虑缺失观察状态的情况下,对隐马尔可夫模型求解过程中的局部概率进行修订,还原出轨迹序列。性能分析和仿真结果表明,状态倾向度越大,轨迹还原成功率越高,当状态倾向度取0.8时,轨迹还原成功率在90%左右。     

基于手部轨迹识别的ATM智能视频监控系统

为实时阻止针对自动取款机的犯罪行为发生,设计一种基于手部轨迹识别的ATM智能视频监控系统。对于采集所得的监控区域内的视频图像,利用混合高斯背景建模方法为视频图像建立背景模型,通过背景剪除法和跟踪算法得到监控区域内的人体信息,分析进入监控区域的人体面积变化情况,由此判断是否有异常行为发生,存在异常则报警,否则采用基于颜色空间的皮肤检测算法和位置约束检测人手部分,利用隐马尔可夫模型对分段的手部运动轨迹分别进行匹配识别,进一步判断是否存在犯罪行为。实验结果表明,该方法对于犯罪行为的识别率能达到88%。     

基于深度运动图和密集轨迹的行为识别算法

为了融合深度图中不易受光照等环境因素影响的深度信息和RGB视频序列中丰富的纹理信息,提出一种基于深度运动图（Depth Motion Maps,DMMs）和密集轨迹的人体行为识别算法。利用卷积神经网络训练DMMs数据并提取高层特征作为行为视频的静态特征表示,使用密集轨迹来描述RGB视频序列的动态运动信息,将行为视频的静态特征和动态特征串联,作为整个视频的行为特征表示并输入到线性支持向量机（Support Vector Machine,SVM）进行识别。实验结果表明,在公开的动作识别库UTD-MHAD和MSR Daily Activity 3D上,该算法能够有效提取深度信息和纹理信息,并取得了较好的识别效果。     

基于EfficientDet网络的细粒度吸烟行为识别

在实际场景中,因香烟目标过于微小且特征不明显,现有的目标检测算法难以区分类烟物与香烟,导致吸烟行为识别效果差。提出一种基于弱监督细粒度结构与EfficientDet网络的吸烟行为识别算法。采用Edge Boxes算法检测图像块的特征边缘,通过非极大值抑制对边缘进行筛选,形成候选区域块。构建包含物体级筛选器和局部级筛选器的细粒度两级注意力模型,其中物体级筛选器使用改进的EfficientDet网络滤除候选区域的背景噪声,以分类前景物体及特征较强的候选区域,并在局部级筛选器中使用通道注意力卷积块对候选区域进行聚类,筛选出得分最高的像素块。通过融合物体级筛选器与局部级筛选器得到的结果,以准确识别吸烟行为。在BUU-Smoke数据集上的实验结果表明,该算法的吸烟行为识别准确率为93.10%,误检率为3.6%,并且具有较优的鲁棒性和泛化能力。     

基于行为动力学方法的移动机器人轨迹追踪

研究了基于行为动力学方法的移动机器人轨迹追踪。在总结行为动力学理论的基础上,根据轨迹追踪任务要求,确定航向角和速度作为行为变量,同时构建了接近吸引子动力学方程,并在考虑机器人与路径期望点之间距离这一间接耦合参数基础上,建立了速度动力学方程,并分析了该动力系统的收敛性。最后的仿真结果表明该方法正确、可行,且机器人能有效地完成追踪任务。