基于互补集合经验模态分解与支持向量回归的PM2.5质量浓度预测

为了及时、准确地检测视频监控下人体异常行为的发生,提出一种基于姿态估计的人体异常行为识别算法. 该算法首先利用基于深度学习的人体姿态估计算法提取人体的骨骼关键点坐标,组成包含空间信息和时间序列信息的时空图模型,模型中每个节点对应于人体的一个关节,同时包含2种类型的边,一种是符合人体关节自然连通性的空间边,另一种是跨越连续时间的时序边;然后,对时空图进行多阶段的时空图卷积操作,提取高级特征;最后,用Softmax分类器进行行为分类,得到行为结果并判断是否为异常行为. 在KTH单人数据集和HMDB51多人交互数据集上进行对比实验,与当前先进的方法相比,在准确率方面取得了较好的结果. 对实时视频进行测试,实时检测识别帧率达到25帧/s,可实现实时处理监控视频.

     

基于卷积姿态机的潜航员作业姿态识别方法

针对现有潜航员作业姿态识别分析方法中识别过程繁琐、识别精度低的问题,提出基于卷积姿态机的潜航员作业姿态识别分析方法. 对人体姿态特征进行结构化编码,构建空间及投影坐标系进行解析,定义肢体角度计算公式与肢体特殊状态判断流程. 通过搭建潜航员作业姿态识别算法,实现作业姿态RGB图像空间特征与纹理特征的提取,输出潜航员作业姿态关节点、肢体角度与状态数据. 通过采集潜航员作业姿态图像构建潜航员作业姿态样本数据集,对所提方法进行应用验证. 在算法测试中,识别算法的PCK指标值达到81.2%. 在应用验证实验中,算法识别关节点的平均准确率达到87.7%. 该方法在潜航员作业姿态识别分析上是可靠的,可以有效地识别与分析潜航员作业姿态中的危险因素.     

基于手机加速度传感器的人体行为识别

提出一种依据手机内置三维加速度传感器采集的人体日常行为数据来进行识别分类的方法。该方法对采集的原始加速度数据进行预处理,从水平和垂直方向提取多种统计特征,包括标准差、四分位差、信号幅度、偏度、峰度和相关系数等,由支持向量机分类器进行分类识别,可识别手机携带者站立、走路、跑步、上楼和下楼5种动作。通过对比分析实验结果,对不同实验者的平均识别正确率达到87.17%,验证了该方法的有效性。     

基于RBF神经网络的人体动态姿态识别算法

利用三轴加速度传感器对人体姿态加速度信号进行采集和处理,通过径向等函数（RBF）神经网络算法对数据进行训练和分类,从而达到对人体基本动态姿态的识别。实验表明,该算法可以达到90％以上的识别率。     

基于三维重力加速器人体动作识别与分类

运用单个动作传感器通过机器学习算法——支持向量机(SVM),建立出色的人体日常动作识别模型.通过3个主要步骤对动作数据进行了处理,即小波转换,基于降维和K层交叉验证的主成分分析(PCA)以及自动寻优搜索获得SVM径向基核函数中的最佳参数σ和c,获得识别6种人体动作的最佳分类器.采用SVM(支持向量机)算法获得的动作分类器,在对不同动作识别时,得出的平均准确率达到94.5%.这表明基于人体动作识别的验证方法具有实用价值的,并在不久的将来会有进一步的提升.     

基于R-SVM算法的部位外观模型

为了提高人体姿态估计的准确度,利用梯度方向直方图特征建立一种基于递归支持向量机算法的部位外观模型。利用R-SVM算法剔除训练图像标注的部位区域中对识别部位作用较小的部分区域,利用剩余的图像区域构造的SVM分类器即为部位外观模型,外观模型的最佳细胞单元尺寸利用训练图像中标注的部位区域与部位外观模型的相似度的极大化来估计。仿真实验结果表明该模型能更准确地描述真实人体部位的外观特征,用于人体姿态估计时可以得到准确度更高的人体姿态估计结果。     

基于组合特征和SVM的视频中人体行为识别算法

针对复杂场景中的人体行为识别困难的问题,提出了一种基于组合特征和SVM的行为识别算法.该算法使用光流特征、HOG特征、重心特征和3D SIFT特征构成的组合特征来描述人体的各种行为;使用一对一的方式训练SVM分类器对提取出的特征进行分类,并以投票的方式得到具体的行为类别.使用包含4个场景的KTH数据集进行仿真.结果表明,所提出的算法能适应各种复杂环境,且相比只采用单一特征的识别算法具有更高的分类精度.     

基于视觉Transformer时空自注意力的工人行为识别

针对人机协作特殊场景中工人行为识别的问题，提出基于Transformer网络的视频人体行为识别模型，利用Transformer网络核心的自注意力机制，减少网络的结构复杂度，提升网络的性能.模型在提取图像空间特征的基础上，增加时间特征的分析，从空间和时间2个维度实现对视频数据的处理.在处理后的数据中提取分类向量传入分类模块，得到最终的识别结果.为了验证模型的有效性，分别在公开数据集UCF101和实验室采集的工人常规行为（自建）数据集上进行人体行为识别实验.实验结果显示，在UCF101上模型平均识别准确率为93.44%，在自建数据集上模型平均识别准确率为98.54%.     

基于线性SVM的车辆前方行人检测方法

采用基于线性SVM方法检测复杂交通背景下车辆前方行人.该方法根据行人非刚性的特点,利用三线性插值法提取图像的梯度方向直方图特征,采用线性支持向量机对视频中的图像进行多尺度融合检测,以适应复杂交通背景的行人检测需求,有效提高检测准确性.实验表明,该算法能够对混合交通视频中的不同尺度和姿态的行人进行有效识别.     

基于特征融合和集成学习的隧道内车辆视频识别方法

随着数字视频技术在交通领域的广泛应用,视频车辆识别成为了一个"ITS"领域的基础问题.视频图像中的车辆识别是一个典型的分类学习问题,针对这一问题,提出一种基于特征融合和集成机器学习的车辆识别算法.该方法首先获取视频序列中的兴趣区域;然后对兴趣区域提取纹理特征、Hu不变矩特征和小波特征,将这些特征组合成一种新的特征向量;然后将组合特征向量作为BP神经网络输入进行训练得到基分类器,最后利用Adaboost方法将BP神经网络集成得到强分类器.对所用方法进行了实验对比分析,其统计正检率、误检率、漏检率以及准确率等多参数结果均优于其他两种算法,实验验证该方法具有较好的识别率和鲁棒性.