基于稠密轨迹特征的红外人体行为识别

提出了一种使用基于稠密轨迹(DT)融合特征的红外人体行为识别(HAR)方法。主要流程如下:1)通过稠密采样获得输入行为视频的DT;2)计算DT的方向梯度直方图(HOG)、光流直方图(HOF)和运动边界描述子(MBH)3个描述子;3)基于DT的HOG、HOF和MBH,并采取词袋库模型和一定的融合策略,构建融合特征;4)以第3步所构建的融合特征为k近邻分类器(k-NN)的输入,完成人体HAR。实验以IADB红外行为库为研究对象,正确识别率达到96.7%。结果表明,提出的特征融合及识别方法能有效地对红外人体行为进行识别。     

融合LBP特征和运动特征的运动分类算法

本文提出了一种局部二值模式(Local Binary Pattern,LBP)特征和运动特征相融合的运动分类算法。首先,利用背景差分法检出视频中的运动人体序列,将运动人体序列经过LBP算子处理得到LBP直方图特征。然后,将LBP直方图特征和运动人体质心的速度特征相融合作为运动人体行为分析的识别特征,应用BP神经网络进行行为分类识别。在Weizmann和KTH行为数据库上进行了算法实验研究,人体行为识别的平均准确率达到了90.78%。实验结果表明:该方法在识别率方面明显优于常规方法进行识别的结果。     

热释电红外信号人体运动特征识别

根据人体在热释电红外(PIR)探测器的检测区域内沿不同路径和不同方向运动时信号在时域及频域的分布特点,提出一种基于单只PIR探测器信号的人体运动特征识别方法。首先提取人体PIR信号的频谱和短时频谱能量特征;然后进行主元分析(PCA)特征降维,根据典型相关分析(CCA)进行特征融合;最后采用最小二乘支持向量机(LS-SVM)方法进行分类识别。实验以不同人体、不同运动方式的PIR探测器数据为研究对象。分析结果表明,提出的特征提取、特征融合及识别方法能有效地对人体运动特征进行识别。     

基于支持向量机的步态识别算法研究

为了准确快速地进行运动人体的步态识别,提出了一种基于主分量分析(PCA)和统一Hu矩融合的步态识别算法。将人体髋关节以下作为感兴趣区域,对图像序列中运动人体的感兴趣区域进行了分割,并提取主分量外形特征,同时计算感兴趣区域的统一Hu不变矩特征,将二者结合,构成步态序列的特征空间,采用支持向量机(SVM)分类器进行分类识别,通过MATLAB仿真实验验证了算法的有效性。实验结果表明,该算法识别速度快,具有较高的识别率。     

掌纹主线和纹理特征融合的识别方法

针对掌纹单特征提取方法提取的掌纹特征信息较为单一以及近年来掌纹特征融合方法在纹理特征提取过程计算量偏大和没有将掌纹感兴趣区域(ROI)的多种特征进行融合的缺陷,本文提出了一种掌纹主线和纹理特征融合的方法。利用数学形态学和基于统一模式的LBP算子分别提取增强的掌纹ROI的主线特征和纹理特征信息,再利用融合规则将两种特征信息进行融合。对各特征图进行直方图统计得到特征向量后输入SVM分类识别,再将识别率最高的特征图进行分块直方图统计,将所得特征向量输入到SVM进行分类识别并与其他方法作对比。     

基于多特征融合的运动对象识别算法

为提高视频检索的准确率,提出了一种基于多特征融合的视频运动对象识别算法。该算法首先使用基于背景帧构造及关键帧截取的方法提取视频中的运动对象的区域;然后分别提取运动对象的局部特征SURF描述子和全局特征如颜色直方图、边缘直方图等,并使两者融合为统一的特征向量;最后使用支持向量机对特征进行学习和识别,用以识别视频对象。实验证明该算法有效地提高了视频中运动对象识别的准确率。     

融合时空特征的视频序列表情识别

针对视频表情识别,静态特征不能有效描述人脸区域沿时间轴动态变化信息的局限,该文提出一种融合动态纹理信息和运动信息的表情识别方法,借鉴LBP-TOP原理,提出具有时空域描述能力的时空韦伯局部描述子(STWLD)来提取动态纹理信息,同时采用分块光流直方图(BHOF)描述运动信息,最后利用SVM对融合后的纹理和运动信息完成表情分类。在CK+和MMI表情数据库上的交叉实验结果表明,相比基于单一特征的识别方法,所提方法取得了更好的效果;与其他相关方法的对比实验也验证了该方法的优越性。     

基于特征融合的手势识别

在手势识别的过程中,手势的多样性和复杂性会对识别的可靠性和准确性带来较大影响.基于视觉的手势识别通常采取单一特征用于手势分类,但是单一特征无法较好地描述整个图像.因此本文提出多种特征融合的方法,分别提取改进后的梯度方向直方图(HOG)特征和MB-LBP特征,并进行特征融合,结合支持向量机(SVM)分类器完成手势图像的识别.实验结果表明,提取的融合特征包含手势图像的局部区域梯度信息和图像的纹理信息,可以更加全面地描述图像的手势特征.相较于单一特征识别方法而言,基于特征融合的方法有着更高的识别率.     

基于边缘增强MSER的模糊检务文本检测

为了可以从模糊检务图像中高效、准确地提取文字信息,本文提出了基于边缘增强的最大稳定极值区域(maximally stable extremal regions, MSER)算法和免疫遗传(immunogenetic algorithm, IGA)优化支持向量机(support vector machine, SVM)的多特征自适应权重融合相结合的方法来提取模糊检务图像中的文本。利用边缘增强的MSER算法对图像文本进行检测,将所检测出的MSER进行合并得到文字候选区域;为了滤除候选区域中的非文本区域,采用特征融合公式对图像的3种特征进行融合,然后采用IGA优化SVM分类器寻找最优参数,最后将候选区域送入训练好的分类器滤除非文本。实验结果表明,相较于其他算法,本文算法有更高的真阳率与更低的假阳率,针对模糊检务图像文字提取具有更高的准确性。     

空间目标红外特征提取与识别技术

针对空间目标红外识别中典型的类内变化大、类间变化小等问题,提出了一种用支持向量机(Support Vector Machine,SVM)分类器结合局部二值模式(Local Binary Pattern,LBP)直方图特征和灰度直方图特征的空间目标红外特征提取与识别方法。以国内某卫星和国外某卫星为研究对象,提取它们红外图像的LBP直方图特征以及灰度直方图特征;使用红外仿真软件生成两个目标在不同姿态、不同分辨率下的样本图,并分成两部分,分别作为SVM分类器的训练集和测试集。实验结果表明,LBP直方图特征和灰度直方图特征均能够以较高的准确率对空间目标进行识别,且其识别效能与目标红外图像的分辨率以及SVM核函数有关。     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

基于特征融合的步态识别

基于人行走时下肢关节角度变化包含丰富的个体识别信息的观点,提出了一种利用下肢关节角度进行识别的方法。利用下肢关节角度来表征步态运动的动态特征,并用主分量分析进行特征提取来表征步态的静态特征,其次融合步态运动中的静态特征和动态特征,采用对小样本具有很好分类效果的支持向量机进行分类识别。对算法进行MATLAB仿真,结果表明所用方法具有较高的识别性能。     

基于PCA和DCT的雷达人体动作识别

无载波超宽带雷达人体动作识别系统的关键优势在于无载波超宽带雷达具有极高的分辨率,能够捕获人体的细微动作变化,并且对于室内复杂环境具有很强的抗干扰能力。但是由于无载波超宽带雷达信号不含载波信息,本身能量集中于极窄的波形内,并且发射信号与回波相关性弱,因此传统的提取信号特征的方法不再适用。针对这一问题,首次搭建无载波超宽带雷达人体动作识别系统,并提出一种新颖的基于主成分分析法（PCA）和离散余弦变换（DCT）相结合的无载波超宽带雷达人体动作识别方法,同时利用改进的网格搜索算法优化支持向量机的参数并验证该方法的优越性。最后,基于实测数据在Matlab平台上进行仿真,对实测的10种不同类型的人体动作进行分类识别,实验结果显示,该方法具有很高的识别率,针对不同的方案识别率均能达到99%以上,对小训练样本具有很强的鲁棒性。     

基于随机森林算法的模拟电路故障诊断

为提高模拟电路参变故障的诊断率,提出基于多特征向量提取和随机森林(RF)算法的模拟电路故障诊断新方法。采用时域和频域特征向量组合的多维特征向量以反映不同故障特征,经RF算法进行决策,并对决策树棵数及候选特征向量个数进行优化。故障诊断实验结果表明,所提方法能较好地实现容差模拟电路故障诊断,与支持向量机(SVM)方法相比,表现出更好的分类性能;与小波(包)特征提取方法相比,简化了多维数据特征提取步骤,易于实现在线故障诊断。     

基于小波分解和支持向量机的准正面人脸识别方法

基于小波分解提取人脸特征技术和多分类支持向量机模型，提出了一种新的准正面人脸识别算法。小波分解提取人脸特征具有对表情变化不敏感的特点；支持向量机作为分类器被认为具有很高的推广(generalization)性能，无需先验知识。在所提出的算法中，首先对训练图像进行预处理，然后使用小波分解方法对人脸图像进行特征提取，用所提取的人脸特征向量训练多分类支持向量机模型，最后用训练好的支持向量机进行人脸识别。利用ORL人脸图像库对该算法的实验测试结果，以及与其它人脸识别方法的比较结果表明了该算法在识别性能方面的优越性。     

人脸识别中基于均匀设计的SVM超参数调节方法

为了有效地解决超高维、多类别人脸识别中支持向量机(SVM,support vector machine)超参数调节计算复杂性问题,提出一种基于均匀设计(UD,uniform design)的SVM超参数调节的人脸识别方法。用UD代替传统的网格(grid)和梯度下降(gradient descent)方法挑选充分均衡分散在整个试验范围内且能得到满意实验结果的特征点,通过最小化k折交叉验证误差界或留一法(LOO,leave-one-out)误差界获取SVM最佳超参数。在UCI模拟数据集(Waveform)及人脸图像库(Yale,PIE)上进行了实验,结果表明,本文方法与传统的SVM超参数调节方法相比,能大大降低超参数调节的时间且能在一定程度上提高人脸分类识别率,使SVM超参数调节方法在解决高维人脸真实数据问题时具有一定的实用价值。     

基于BoF模型的多特征融合果蔬图像分类方法

针对传统BoF模型无法有效利用图像颜色及纹理来更好地表述果蔬特征的问题,文中提出了一种在BoF模型中进行多特征融合的果蔬图像分类算法。该算法首先提取并融合图像的颜色矩和SURF特征形成SURFC特征描述子;然后分别对CLBP及SURFC特征进行K-均值聚类以生成特征词典,并使用特征词典对所有特征量化编码;最后使用SVM对编码结果进行训练得到分类器并识别。实验结果表明,BoF模型融合颜色和纹理特征后,在果蔬图像分类效果上明显优于单一特征或者其他特征融合的BoF模型,识别率最高可达到94%,更适合果蔬图像分类。     

A self-adaptive weighted affinity propagation clustering for key frames extraction on human action recognition

In this paper, we propose a novel approach for key frames extraction on human action recognition from 3D video sequences. To represent human actions, an Energy Feature (EF), combining kinetic energy and potential energy, is extracted from 3D video sequences. A Self-adaptive Weighted Affinity Propagation (SWAP) algorithm is then proposed to extract the key frames. Finally, we employ SVM to recognize human actions on the EFs of selected key frames. The experiments show the information including whole action course can be effectively extracted by our method, and we obtain good recognition performance without losing classification accuracy. Moreover, the recognition speed is greatly improved.