基于随机森林的精确目标检测方法*

针对复杂场景中目标检测精确度过低的问题,基于随机森林算法,提出一种能适应由姿态、视角和形状引起外观变化的目标检测方法,同时还能有效预测最佳检测框大小,使其与真实目标区域有很高重叠度。首先,提出一种基于图像块多维特征的树节点分裂函数;然后,利用Boosting算法逐层生成树,使得每次分裂中错分样本更受关注;最后,扩展了随机森林输入输出空间,使其在分类同时,还可预测目标检测框的最优长宽比。实验结果表明,本文方法在不增加时间开销的同时,提高了检测的精确度,对森林中树生成算法的改进提升了分类性能,对森林输出空间的扩展使得目检测框与真实目标区域有更高重叠率。     

基于关键点的轮廓描述方法

为了有效表达图像的轮廓,给出了一种新颖的关键点描述轮廓方法。首先采用一种快速的点弦累加距离技术(chord-to-point distance accumulation,CPDA)用来提取角点；然后用椭圆模型找到相邻角点间的平面曲线的极值点,这样可以更好地表达轮廓的结构,通过相邻点间的曲线拟合出图像的轮廓。通过理论的推导和实验结果验证了所提出的方法比前人的工作有了更准确的模拟。     

基于梯度离散化改进的DG_CENTRIST行人检测

针对复杂背景下的行人检测,从边缘信息入手,提出了一种新的基于梯度离散化的改进的中心对称统计变换(DG_CENTRIST)的行人检测方法。首先根据原始图像的梯度方向的分布,离散地形成多张梯度图;然后进行中心变换(CT)获得改进的DG_CENTRIST特征,最后提出的新的计算方法,结合线性和HIK-SVM,通过级联方式实现实时的行人检测。实验结果表明,该算法取得了较高的检测精度。     

基于区域形状与运动特征的实时行为识别

提出了一种基于推广的Hu不变矩特征的实时行为识别方法。首先,对Hu不变矩进行改进,使其在离散情况下同时具有平移、旋转和比例不变性。然后,结合运动目标的速度将目标行为刻画成结合Hu矩新特征和速度特征的13维特性向量。其中,Hu矩新特征表征了行为的区域形状特性,速度特征反映了行为的运动特性。随后采用预先定义的一些行为作为先验知识样本训练支持向量机,并最后使用其对待检测行为进行分类以达到行为识别的效果。所提方法计算效率高,能够实时检测人体行为。在处理实拍视频数据的实验中,该方法表现出了理想的处理效率以及识别精度。     

群体行为识别深度学习方法研究综述

群体行为识别是计算机视觉领域应用广泛且亟待解决的重要研究问题.伴随着深度神经网络的发展,群体行为识别与理解的宽度与深度也在不断扩展.通过调研近十年来群体行为识别的研究文献,确定了目前群体行为识别研究的问题定义;指出了群体行为识别研究现存的问题与挑战;在深度学习网络架构下,描述了从早期仅仅对群体行为进行分类识别,到如今更...     

基于姿态转换网络的行为识别

为了有效的表征行为,提出了一种基于姿态转换网络的行为识别算法。首先对人体进行自动定位,并对人体区域进行形状与运动特征提取;然后对特征进行层次聚类,构建姿态二叉树,并将运动序列表示为姿态序列后,将其表征为姿态转换网络的权重;最后利用k-近邻的方法对行为进行分类识别。实验结果表明,该算法对动态嘈杂背景,人体执行行为速度的快慢具有一定程度的鲁棒性。该算法在两个公用数据库上获得了较好的结果验证了其有效性。     

人体行为识别研究综述

行为识别是计算机视觉领域意义重大的热点研究问题,它经历了从手工设计特征表征到深度学习特征表达的发展过程.从传统行为识别模型和深度学习模型两方面,对行为识别发展历程中产生的主流算法进行了归类梳理.传统行为识别模型主要包括基于轮廓剪影、时空兴趣点、人体关节点、运动轨迹的特征描述方法.其中改进的密集轨迹方式拥有良好的鲁棒性和...     

基于两阶段投票的小样本目标检测方法

为了在只有几个样本的情况下在待检测图像中采用模板匹配的方式定位目标,提出了一种两阶段投票的目标检测方法。首先采用概率模型通过几个样本离线构造投票空间,然后采用两阶段投票的方式在待测图像中检测目标：第一阶段在待测图像中通过投票检测目标的图像块,并记录下这些部件块在样本中所处的位置信息;第二阶段基于第一阶段所得到的图像块来投票计算样本整体的相似度,从而定位目标。理论推导和实验结果验证了所提出方法比前人的工作具有更低的时间复杂度和更高的目标检测准确率。     

基于随机一致性采样估计的目标跟踪算法

为了解决在实际监控中因为目标遮挡、外观变化和时间过长导致跟踪丢失的问题,提出一种基于随机一致性采样（RANSAC）估计的目标跟踪算法。算法首先在搜索区域提取局部不变特征集,然后利用特征匹配传递性和非参数学习算法从特征集中分离出目标特征,最后对目标特征进行RANSAC估计跟踪目标位置。将算法在不同场景的视频数据集上进行测试,分别从准确率、召回率和综合评价指标F1-Measure三个指标分析算法性能,实验结果表明所提出的算法提高了目标跟踪的准确性,克服了长时间目标跟踪产生的跟踪漂移。     

基于多级深度网络架构的群体行为分析模型研究

群体行为的多层次深度分析是行为识别领域亟待解决的重要问题。在深度神经网络研究的基础上,提出了群体行为识别的层级性分析模型。基于调控网络的迁移学习,实现了行为群体中多人体的时序一致性检测;通过融合时空特征学习,完成了群体行为中时长无约束的个体行为识别;通过场景中个体行为类别、交互场景上下文信息的融合,实现了对群体行为稳定有效的识别。在公用数据集上进行的大量实验表明,与现有方法相比,该模型在群体行为分析识别方面具有良好的效果。