基于关键帧定位和时空图卷积的异常行为识别

为提高监控视频中行人异常行为检测效率,提出了结合关键帧定位和时空图卷积的异常行为识别方法。该方法在人体骨架关键点检测的基础上,采用关键点运动特性定位视频中行人异常行为关键序列,利用时空图卷积网络可以提取行人时空特征的优点,在关键帧序列上构建人体骨架时空图,同时建立基于瓶颈残差模块的时空图卷积网络行为识别模型,实现对监控视频中行人异常行为的高效识别。采用自建数据集和公开数据集对该方法有效性进行检验,结果表明,该键帧定位算法可高效实现异常行为定位,结合基于瓶颈残差模块时空图卷积网络,在减少时空图卷积网络计算复杂度的同时提升了网络性能,能够有效判断行人异常行为。     

基于SOM网络的特征选择技术研究

讨论了一种SOM网络训练结果的可视化技巧,结合该技巧提出了基于SOM网络的特征选择方法。该方法 通过计算出SOM网络竞争层神经元权值中各维特征对输入模式聚类识别的影响,可以选择出对于模式识别敏感 的特征集。用IRIS和齿轮故障数据对该方法进行了检验,研究结果表明,采用该方法能较好地从原始特征中选择 出有效特征子集,实现不同类别输入数据之间的模式聚类识别。     

EMD和SOM神经网络在燃气发动机故障诊断中的应用

提出了EMD和SOM神经网络相结合的燃气发动机故障诊断方法。将燃气发动机振动信号进行EMD分解,提取前几个IMF分量的能量构成故障诊断的特征向量,输入SOM网络进行聚类,再将测试样本输入训练好的网络模型进行故障识别,网络输出结果采用U矩阵图法进行显示。对燃气发动机正常、气门间隙大、排气阀漏气3种状态的信号分析结果表明,该方法可以有效地提取非平稳信号的故障特征,网络模型结构简单,对大数据量样本的聚类与识别准确率高,输出结果清晰、直观、可视性强,该方法为燃气发动机故障诊断提供了新的途径。     

基于深度学习的机械领域知识图谱构建及应用

针对企业内以分散形式进行存储的设计信息难以重用的问题,融合设计模型库和文本资源库构建机械设计领域知识图谱：通过计算机视觉等技术从历史模型库及文档中获取所需领域知识,对于模型库数据,采用聚类算法减少图谱节点冗余;提出一种新的MachineALBERT预训练模型对通用ALBERT进行参数设计,将该模型作为文本的语义编码层,以Bi-LSTM作为标签预测层,加入CRF作为整体标签优化层,搭建实体识别模型;对于关系抽取模型,共享字符编码层,加入CNN层对文本关系进行分类,将非结构化信息转化为结构化三元组,经实体对齐后存储至图数据库。根据构建完成的图谱建立计算机辅助设计可视化系统,以提供实体查询与知识问答等多种功能,提升产品设计效率。     

关于分布式智能视频监控设计的几点建议

设计分布式网络智能视频监控系统。视频数据利用网络摄像头采集,经过数据压缩远程传输到PC主机,主机对图像进行步态识别、人脸识别等,实现对异常人体的检测,对摄像头云台进行控制实施监视。系统中应用实时控制与传输协议,在网络基础上实现分布式视频采集与处理,系统的实时性与交互性较强,且远程视频监控价格低廉,利于布设。     

基于CNN的植物叶片病害智能检测系统算法设计与仿真

针对目前基于机器学习的农作物叶片病害识别算法中训练收敛误差大、识别精度不高等问题,文章研究了基于卷积神经网络CNN的植物叶片病害智能检测系统算法。通过对采集到的叶片图像进行K-means聚类算法分割叶片图像中受感染的区域,再用CNN网络进行特征提取及识别分类,实现对农作物叶片病害的检测。仿真试验数据表明,以马铃薯植株叶片为例,设计的算法模型平均识别精度为94.7%,较SVM提高了6.15%,适用于植物叶片病害智能检测系统。     

采用人体树图与混合粒子群聚类的行人检测

为提升辅助驾驶系统的可靠性及安全系数,实现更高精度的行人检测,基于人体树图模型提出了一种改进的离线训练、在线检测的行人检测方法。首先,定义人体部件间的共生关系,得到对应父子部件对,结合K-means算法对其位置关系进行聚类获得部件类型。为兼顾类内紧密性与类间分离性,采用MSE和DBI构建具有两阶段适应度函数的混合粒子群聚类算法,在有效估计各部件最优聚类中心数量的同时,消除随机初始化对聚类准确率造成的影响。其次,将优化聚类得到的部件类型作为隐藏变量,通过求解隐结构SVM获取改进后的人体检测模型。最后,通过动态规划算法求解状态转移方程,在多个尺度上有效估计人体部件位置及检测包围盒,并结合非极大值抑制思想得到最终的行人检测结果。实验结果表明,所提方法在检测性能上明显优于5种行人检测方法,并且相比于原始Pose-original方法,在INRIA和ETH数据集上的丢失率分别下降了8.14%和5.05%。实验证明该方法检测性能良好且具有较高的准确性和鲁棒性。     

基于深度测量的行人体态特征提取与再识别方法

行人再识别是视觉监控系统的核心问题之一,然而传统基于彩色图像的特征提取方法难以用于极暗光照条件下的行人再识别。本文提出一种基于深度测量的行人体态特征提取方法,由于深度测量独立于光照条件,因此所提方法可以在极暗光照条件下对行人目标进行有效识别。由深度数据经过分割和滤波生成人体点云,将观测点云与初始人体模型进行配准,基于配准后的点云对人体模型的体态参数和姿态参数进行联合估计,计算体态特征向量的欧式距离实现行人再识别。在公开数据集和实验室自采数据集上进行验证,计算Rank-n、累计匹配曲线、平均精度均值等性能指标,其中在Single shot评估模式下BIWI数据集的Rank-1可达到70.71%、Rank-5可达到92.32%,结果表明本文所提算法可有效提高再识别精度。     

基于人体骨架信息的行人再识别研究综述

行人再识别的主要任务是利用计算机视觉从不同的摄像机中检索出相同身份的人,对特定的行人进行匹配和检索,此研究可以广泛应用于智能视频监控、智能安保等领域。相比于其他易受改变的人体外观特征,提取人的骨架信息作为鉴别特征更具有鲁棒性。为了了解该领域的发展现状,辅助该领域的研究者们进行更深入的探索,本文重点研究了基于人体骨架信息的行人再识别方法,根据算法包含的特征信息,将其分为独立式和混合式,混合式除人体骨架信息外还分别包括RGB-D图像特征和步态特征,之后对不同方法进行了比较,其次在主要数据集上对不同方法进行了评估,最后对此研究的问题与挑战进行了总结并对未来发展趋势进行了展望。     

基于深度置信网络的大数据制造过程实时智能监控

针对基于浅层学习模型的过程监控方法难以对大数据制造过程运行状态进行实时智能监控的问题,提出了基于深度置信网络的大数据制造过程实时智能监控方法。利用灰度图建立大数据制造过程质量图谱,以精准表达其过程的运行状态;构建用于识别大数据制造过程质量图谱的深度置信网络;应用离线训练好的深度置信网络模型对当前监控窗口内的过程质量图谱进行识别,实现大数据制造过程实时智能监控。最后,应用该方法对某注塑件大数据制造过程进行实时质量智能监控,结果表明：所提方法的识别性能明显优于基于主成分分析与BP神经网络、支持向量机的识别模型,能有效应用于大数据制造过程实时质量智能监控。     

EPS助力特性的改进RBF神经网络方法

针对电动助力转向(EPS)助力特性的非线性问题,提出应用径向基(RBF)神经网络强非线性能力进行电动助力转向(EPS)助力特性曲面拟合方法,并做出改进。应用改进均值聚类方法(k-means)对数据进行聚类,获取基函数参数,再用梯度下降法训练网络权值,并利用最优停止法对网络进行了优化。实验结果表明,该改进方法避免了过拟合现象,提高了网络的泛化能力,并且具有网络训练时间短,拟合的曲面精度高,预测能力强等优点。     

基于ARM9的无线视频监控系统的设计

采用ARM9微处理器为核心,设计了基于ARM9的无线视频监控系统。通过嵌入式Linux系统采集到USB摄像头的视频数据,将其经过JPEG编码压缩;在ARM9控制下,采集到的数据通过无线发送／接受模块,进行视频数据传输发送到接收端,再将视频数据通过RS232／RJ45网络接口提交给监控PC;再由视频应用服务端将接收到的压缩数据帧重组并复合,从而实现无线视频监控。系统结构简单、性能可靠,具有广泛应用前景。     

基于模块性准则函数的模糊免疫网络聚类算法及其在故障诊断中的应用

为了改善免疫网络聚类算法的效果,进一步提高算法的数据浓缩率和分类正确率,设计新的抗体变异策略和独特型网络调整机制,提出免疫网络聚类新算法。首先,借鉴Timmis的人工识别球概念,结合模糊理论,构造独特型模糊免疫识别超球对抗体网络实现更新,并利用复杂网络中反映社群结构特征的模块性指标,构造模块性聚类准则函数,提出基于模块合并的记忆抗体提取算法,实现抗体网络的自适应压缩;其次,基于免疫网络聚类策略,提出基于模块性准则函数的模糊免疫网络聚类算法,UCI数据集的试验分析表明,该算法能够获取合理的记忆抗体网络,提高了算法的数据浓缩率和分类正确率;最后,将算法应用于一个四级往复式压缩机的故障诊断中,与aiNet等免疫网络聚类算法相比,获取较高正确率的同时大大提高了浓缩率,对故障诊断具有重要意义。     

基于ARM11平台的智能摄像头控制系统

开发一个基于ARM11平台的智能摄像头控制系统,包括摄像头视频采集部分和网络传输部分,利用三星公司的S3C6410 ARM11处理器为开发平台,视频采集部分采用罗技C270 USB摄像头,采集的视频由处理器处理识别运动物体,通过网络传输模块将视频数据通过网络进行传输并将截取关键的照片上传到服务器上,PC端或手机端通过访问系统的IP地址对视频数据读取显示,实现远距离监控。     

基于多模型长短时记忆神经网络的电力负荷预测方法研究

提出了一种基于多模型长短时记忆神经网络(LSTM)的电力负荷预测方法,该方法通过对历史电力负荷日曲线进行密度聚类,根据聚类结果以及历史日期的特征因素训练高斯朴素贝叶斯分类器,进而分类训练神经网络预测的输入,采用长短时记忆神经的深层网络对所述历史时刻的电力负荷数据和日期特征因素进行训练建模,以训练生成深度神经网络负荷预测模型。通过算例仿真,发现该方法相比于典型方法,能够精确预测出对应日期的用电负荷,提升预测效果,同时缩短网络训练时间,提升程序运行速度。     

一种行人闯红灯自动预警及曝光系统

针对行人不遵守交通规律随意闯红灯现象,提出一种基于视频图像处理的行人闯红灯抓拍及曝光系统。该系统包括前端视频采集、行人事件分析和后端数据存储查询3部分。前端架设高清摄像机监控斑马线,将采集的数据输送到分析仪;行人事件分析仪实时处理视频流,标记闯红灯的行人,并将数据传送到后台服务器存储;后端提供违章数据存储与查询功能。     

基于神经网络的车辅系统障碍物识别技术研究

针对因雾霾、夜间等视线不佳环境下难以识别行人、车辆、涵洞和隧道等各类障碍物的难题,提出了一种基于神经网络的车辅系统障碍物识别技术。第1步进行深度神经网络设计,首先应用了单步目标检测算法框架进行算法设计,然后通过多尺度预测解决热源体目标尺寸差异问题,最后进行目标位置回归估计。第2步进行覆盖目标的全部特征训练数据集制备。第3步进行网络训练和推理、模型迁移。第4步针对嵌入式的平台进行神经网络模型轻量化设计,解决量化误差并实现计算精度,实现驾驶人员在雾霾、夜间等环境下对路况障碍物准确识别并清晰显示告警。通过实际测试,该方法提升了在雾霾、夜间等环境下路况障碍物识别的准确性和实时性,保障了驾驶安全。     

基于电梯监控视频的轿厢中狗识别的算法研究

提出了一种基于电梯监控视频、用于检测轿厢中是否存在狗的算法。该算法结合栈式自编码网络(SAE),使用梯度方向直方图(HOG)来表征狗的特征。首先,采集大量电梯轿厢中狗的正负样本进行训练并提取梯度特征;然后构建栈式自编码网络并将梯度特征输入其中进行无监督学习来获取更深层特征模型;最后训练Softmax分类器得到最终的电梯中狗识别的模型。此外,该算法通过对视频的背景差分处理能够精准地定位待识别的区域,从而极大提高算法效率。最终实现了电梯轿厢中狗的实时检测,识别率达到89%左右。     

基于yolov4的垃圾检测系统

为解决垃圾分类困难问题,根据大量垃圾图片的特点,提出了基于yolov4的垃圾检测的方法,实现垃圾的自动识别分类和定位。该方法通过手机拍摄以及百度等收集不同种类的垃圾图像集,运用图像增强的方式进行图像预处理,再利用迁移学习模型和k-means++聚类算法进行垃圾网络分类模型的训练测试,最后将训练好的模型通过摄像头对采集的垃圾图片实时识别分类和定位。实验表明:该方法的m AP达到95.15%,能够快速有效地对垃圾分类和定位。     

基于无线网络的家用安全视频监控系统

针对目前视频监控系统以基于有线网络、非民用场合应用为主的现状,提出了一种基于无线网络的家用安全视频监控系统.其中在硬件设计上采用了具有双核处理器结构的OMAP5910作为嵌入式网络视频服务器主控芯片,在系统软件设计上对嵌入式软件平台、视频压缩算法、嵌入式Web服务器应用程序等做了重点描述.研究结果表明,该系统对视频监控系统的深入应用具有一定的参考意义.