基于子序列相似性的时间序列语义挖掘算法

时间序列是对某个事物或系统进行连续同间隔测量得到的数值序列,挖掘时间序列中潜在的语义信息对于发现系统运行规律或识别系统突发异常至关重要,然而目前多数时间序列语义挖掘算法对于时间序列数据特征有一定的约束条件,难以处理海量且特征各异的时间序列数据。针对该问题,提出一种基于子序列相似性的时间序列语义挖掘算法。通过计算子序列的相似性,将时间序列分割成片段序列进行两级聚类,识别出时间序列中潜在的物理状态。引入基于概率的迭代模式,根据候选分段情况动态调整子序列被选为参考子序列的概率,保证参考子序列涵盖全部物理状态。实验结果表明,该算法在PAMAP、Barbet等5个真实数据集上的识别准确率均超过90%,相比于FLUSS、pHMM、AutoPlait算法具有更高的识别准确率与运行效率以及更强的通用性。     

基于人眼状态的瞌睡识别算法

已有瞌睡识别算法多数基于机器学习或深度学习,没有考虑到人眼闭合状态序列与瞌睡之间的关系。针对上述问题,提出了一种基于人眼状态的瞌睡识别算法。首先,提出了人眼分割和面积计算模型,基于人脸68个特征点,根据人眼特征点构成的极大多边形分割出眼睛区域,并利用眼睛像素点的总数代表眼睛面积大小;其次,计算极大状态下的人眼面积,并利用关键帧挑选算法挑选出最能代表睁眼程度的4帧,根据这4帧的人眼面积与极大状态下的人眼面积计算睁眼阈值,从而构建眼睛闭合度得分模型来确定人眼闭合状态;最后,根据输入视频的人眼闭合得分序列,构建了基于连续多帧序列分析的瞌睡识别模型。在两个国际常用的打哈欠检测数据集（YawDD）和NTHU-DDD数据集上进行瞌睡状态识别,实验结果表明,所提算法在两个数据集上的识别准确率均在80%以上,尤其是在YawDD数据集上,识别准确率达到94%以上。该算法可应用于驾驶员驾驶状态检测、学习者课中状态分析等。     

视频监控中的行为序列分割与识别

智能监控系统中的行为分析与识别是当前计算机视觉领域的研究热点,而行为序列分割则是行为分析与识别的基础.提出了一种无监督的行为序列分割算法,并对分割结果进行识别.首先,采用鲁棒的形状编码方案得到人体轮廓的紧凑表示,提取轮廓点集特征描述运动人体;然后,基于奇异值分解(SVD)估计行为序列数据的本征维数,确定数据对应的低维流形,并通过检测特征数据在该流形上的投影误差的突变实现行为序列分割;最后,采用隐马尔可夫模型(HMM)对分割结果进行识别.在公共数据库上的实验结果表明了此分割和识别算法的有效性.     

融合时空多特征表示的无监督视频分割算法

针对视频分割的难点在于分割目标的无规则运动、快速变换的背景、目标外观的任意变化与形变等,提出了一种基于时空多特征表示的无监督视频分割算法,通过融合像素级、超像素级以及显著性三类特征设计由细粒度到粗粒度的稳健特征表示。首先,采用超像素分割对视频序列进行处理以提高运算效率,并设计图割算法进行快速求解;其次,利用光流法对相邻帧信息进行匹配,并通过K-D树算法实现最近邻搜索以引入各超像素的非局部时空颜色特征,从而增强分割的鲁棒性;然后,对采用超像素计算得到的分割结果,设计混合高斯模型进行完善;最后,引入图像的显著性特征,协同超像素分割与混合高斯模型的分割结果,设计投票获得更加准确的视频分割结果。实验结果表明,所提算法是一种稳健且有效的分割算法,其结果优于当前大部分无监督视频分割算法及部分半监督视频分割算法。     

基于Segmental-DTW的无监督行为序列分割

行为序列分割是行为分析与识别中最初始、最基础的一个步骤.提出了一种无监督的行为序列分割算法,主要步骤包括:(1)采用等长有重叠的时间窗口对视频序列进行粗分割;(2)将粗分割的视频段两两作比较,通过Segmental-DTW算法分割出两个视频段中最相似的行为片断;(3)将行为片断的相似性转化为邻接图表示,通过图聚类方法对分割出的行为片断进行聚类.该算法采用了从粗到细的分割思想,能够准确地分割出视频序列中大量出现的行为的片断,并将相同行为的片断聚为一类.分割结果可以直接用于行为建模和识别.实验结果也表明了分割出的行为片断具有较好的代表性和有效性.     

基于多维彩色向量空间的火焰图像模糊聚类分割算法

针对火灾探测过程中早期火焰的分割技术研究,提出了一种基于多维彩色向量空间的火焰图像模糊聚类分割算法,该算法以运动目标序列图像之间变化的区域作为聚类模板,提取该聚类模板的RGB多维彩色特征向量,然后将图像的像素与聚类模板通过模糊聚类的方式进行分割。这种分割算法计算简单,时间开销较小,可以较好地获取火焰图像的边缘形态特征,并且能够明显消除不同光线下分割误差,实现快速无监督自动分割。     

基于分割模式的时间序列矢量符号化算法

针对符号化聚合近似算法(SAX)中时间序列必须等长分割的缺陷,提出一种基于分割模式的时间序列符号化算法(SMSAX)。利用三角阈值法对随机抽样的时间序列进行特征提取,计算时间序列最大压缩比,将其作为时间窗宽提取分割点,进而求出时间序列的分割模式。利用得到的分割模式对时间序列进行分割降维,通过均值和波动率对分割后的子序列进行向量符号化。根据时间序列特征对其进行不等长分割,并加入波动率消除奇异点的影响。实验结果表明,SMSAX能获得比SAX更精确的结果。     

基于监督下降方法的左心室超声图像分割

针对基于表观模型的图像分割算法在特征点迭代定位过程中计算量过大、对非线性局部特征的优化较为困难等问题,采用一种基于监督学习的梯度下降算法,建立4层多分辨率金字塔模型,并使用一种基于巴氏系数的特征提取函数（B-SIFT）替代原方法中的尺度不变特征变换（SIFT）特征,对左心室心内膜及心外膜进行特征点定位。首先对训练集进行归一化处理,统一经食道超声心动图像（TEE）的尺度;然后建立基于多分辨率金字塔和B-SIFT特征的监督下降模型,得到特征点趋近于真实值的梯度下降方向序列;最后将得到的方向序列作用于测试集中,得到最终的左心室分割结果。将该方法与传统监督下降方法进行对比,其得到的分割平均误差相比传统监督下降方法降低了47%,迭代得到的最终值相对单一尺度的梯度下降算法更加逼近真实值。     

一种基于多维彩色向量空间的（火焰）图像模糊聚类分割算法

针对火灾探测过程中早期火焰的分割技术研究,文章提出了一种基于多维彩色向量空间的火焰图像模糊聚类分割算法,该算法以运动目标序列图像之间变化的区域作为聚类模板,提取该聚类模板的RGB多维彩色特征向量,然后将图像的像素与聚类模板通过模糊聚类的方式进行分割。这种分割算法计算简单,时间开销较小,可以较好的获取火焰图像的边缘形态特征,并且能够明显消除不同光线下分割误差,实现快速无监督自动分割。     

基于最大熵投票模型的时间序列无监督分割

通过高维时间序列分割可以创建高级符号表示。提出一种针对高维时间序列的无监督分割算法,用于解决高维数据符号化的预处理问题。该算法实现对高维数据的聚类,应用最大熵投票模型进行序列分割。实验结果表明,其平均查全率和查准率分别为0.86和0.88,且整体性能优于主成分分析算法和概率主成分分析算法。     

Dynamic sensor data segmentation for real-time knowledge-driven activity recognition

Approaches and algorithms for activity recognition have recently made substantial progress due to advancements in pervasive and mobile computing, smart environments and ambient assisted living. Nevertheless, it is still difficult to achieve real-time continuous activity recognition as sensor data segmentation remains a challenge. This paper presents a novel approach to real-time sensor data segmentation for continuous activity recognition. Central to the approach is a dynamic segmentation model, based on the notion of varied time windows, which can shrink and expand the segmentation window size by using temporal information of sensor data and activities as well as the state of activity recognition. The paper first analyzes the characteristics of activities of daily living from which the segmentation model that is applicable to a wide range of activity recognition scenarios is motivated and developed. It then describes the working mechanism and relevant algorithms of the model in the context of knowledge-driven activity recognition based on ontologies. The presented approach has been implemented in a prototype system and evaluated in a number of experiments. Results have shown average recognition accuracy above 83% in all experiments for real time activity recognition, which proves the approach and the underlying model.     

基于最优模板选择和水平集的图谱分割算法

针对当前的图谱分割方法,在一定能高程度上缩短了计算时间,但是对于要求较高的应用软件来说,在精确度和平滑度上不能得到理想的分割结果.提出了一种最优模板选择和水平集的图谱分割算法.方法一方面使用正规化的交互信息获得"最优"模板.另一方面在图谱分割中提出基于水平集图谱分割方法,在基于光强度的配准算法的类型中引入附加约束条件,对约束条件可提高轮廓的平滑度,同时使引入的先验信息(如亮度分布或被分割物体可采纳的形状)更加局部化.实验结果表明,方法比传统的图谱分割方法有更高配准的精确度和平滑度.     

Performance improvement of character recognition in industrial applications using prior knowledge for more reliable segmentation

In industrial applications optical character recognition with smart cameras becomes more and more popular. Since these applications mostly have challenging environments for the systems it is most important to have very reliable character segmentation and classification algorithms. The investigations of several algorithms have shown that character segmentation is one if not the main bottleneck of character recognition. Furthermore, the requirements of robust and fast algorithms related to skew angle estimation and line segmentation, as well as tilt angle estimation, and character segmentation are high. This is the reason for introducing such algorithms that are specifically adapted to industrial applications. Additionally, a method is proposed that is based on the Bayes theorem to take account of prior knowledge for line and character segmentation. The main focus of the investigations of the character recognition system is recognition performance and speed, since real-time constraints are very hard in industrial application. Both requirements are evaluated on an image series captured with a smart camera in an industrial application.     

A novel adaptive morphological approach for degraded character image segmentation

This work proposes a novel adaptive approach for character segmentation and feature vector extraction from seriously degraded images. An algorithm based on the histogram automatically detects fragments and merges these fragments before segmenting the fragmented characters. A morphological thickening algorithm automatically locates reference lines for separating the overlapped characters. A morphological thinning algorithm and the segmentation cost calculation automatically determine the baseline for segmenting the connected characters. Basically, our approach can detect fragmented, overlapped, or connected character and adaptively apply for one of three algorithms without manual fine-tuning. Seriously degraded images as license plate images taken from real world are used in the experiments to evaluate the robustness, the flexibility and the effectiveness of our approach. The system approach output data as feature vectors keep useful information more accurately to be used as input data in an automatic pattern recognition system.     

基于高斯模型的污损纸币识别算法研究

研究纸币识别问题,提高纸币识别的准确率。针对纸币识别过程中,当待识别的纸币在流通中存在被污染或者磨损,传统的模板匹配的识别算法受纸币污损的影响识别的准确性。为解决上述问题提出一种高斯模型的识别算法,首先对待检测图像进行亮度补偿、边缘检测、倾斜校正等预处理,然后将图像划分为若干个矩形子区域,计算各子区域的灰度平均值作为提取的图像初始特征,通过计算初始特征的先验概率并对后验概率进行修正,对污损区域特征值的校正,最后建立高斯模型完成纸币的识别,克服了传统无法准确识别污损纸币的问题。实验证明,改进方法能够将纸币污损部分校正并将纸币准确识别,取得了满意的效果。     

基于T-prim模型的肺气管分割算法

针对现有高阶支气管分割算法计算成本过大或分割精度不足等问题,提出一种基于T-prim模型的肺气管树分割算法。通过形态学灰度重建对CT图像进行初步处理,使用区域生长算法得到主支气管;从马尔可夫随机场的角度对分水岭算法分割框架进行优化,得到优化的分割框架;利用主气管骨架提取自动获得种子节点,算法迭代构造出T-prim模型,利用优化的分割框架得到完整的肺气管树。通过与两种EXACT09竞赛算法的对比实验证明了该算法在不依赖于种子点的人工选择,不需要训练集的条件下,能以极低的泄漏量获得更完整的分割结果。     

自适应多维特征减少的模糊C-均值遥感图像分割算法

针对传统分割算法难以对遥感图像进行有效分割的问题,提出了一种自适应特征减少的图像分割算法。首先对源图像进行超像素分割,将获得的超像素作为算法的基本操作对象。其次,提取图像的颜色、纹理、边缘以及空间等多维特征,并使用加权像素值来表示超像素的特征。再者,将模糊分离度量加入到FRFCM(feature-reduction fuzzy C-means)模型中,构造特征减少分割算法。该算法可以自动选择有用特征。最后对分割算法进行优化,获取最终分割结果。通过遥感图像分割实验表明,提出算法能有效分割遥感图像,在分割准确度、运行时间、消除噪声影响等性能方面优于其他同类算法。     

基于因子模型和动态规划的多元时间序列分段方法

针对经典动态规划分段算法只适用于低维时间序列的问题,提出一种基于因子模型和动态规划的多元时间序列分段方法.首先利用增量聚类自动对变化趋势相似的变量序列进行聚类,然后引入动态因子模型使降维后的低维多元时间序列能够最大限度反映原始多元时间序列的整体变化趋势,最后利用动态规划在低维多元时间序列的架构上实现高维多元时间序列的分段.实验结果表明,所提方法对变量个数较多的多元时间序列数据具有良好的分段效果.     

PI-Unet：异质虹膜精确分割神经网络模型的研究

在虹膜识别系统中,异质虹膜图像（可见光和红外图像）的分割是最重要且最有挑战性的一个任务,该任务的难点在于针对异质虹膜图像,要同时兼顾虹膜分割的准确率和快速性。提出了适用于异质虹膜分割的神经网络模型PI-Unet（Precise Iris Unet）以及用于训练该网络模型的数据增强方法和损失函数。对PI-Unet的Encoder和Decoder进行实验探索,得出能同时兼顾准确率和快速性的网络结构,将提出的数据增强方法和损失函数用于该网络进行训练,在CASIA-iris-intervel-v4和UBIRIS.v2虹膜图像数据库上测试该网络的准确率、参数量和计算量。测试结果表明,提出的数据增强方法和损失函数能有效提高异质虹膜分割准确率,PI-Unet与传统虹膜分割算法和其他虹膜分割神经网络相比,对异质虹膜图像的分割准确率更高且参数量和计算量更少,能够适用于低性能的边缘计算设备。     

Times-series data augmentation and deep learning for construction equipment activity recognition

Automated, real-time, and reliable equipment activity recognition on construction sites can help to minimize idle time, improve operational efficiency, and reduce emissions. Previous efforts in activity recognition of construction equipment have explored different classification algorithms anm accelerometers and gyroscopes. These studies utilized pattern recognition approaches such as statistical models (e.g., hidden-Markov models); shallow neural networks (e.g., Artificial Neural Networks); and distance algorithms (e.g., K-nearest neighbor) to classify the time-series data collected from sensors mounted on the equipment. Such methods necessitate the segmentation of continuous operational data with fixed or dynamic windows to extract statistical features. This heuristic and manual feature extraction process is limited by human knowledge and can only extract human-specified shallow features. However, recent developments in deep neural networks, specifically recurrent neural network (RNN), presents new opportunities to classify sequential time-series data with recurrent lateral connections. RNN can automatically learn high-level representative features through the network instead of being manually designed, making it more suitable for complex activity recognition. However, the application of RNN requires a large training dataset which poses a practical challenge to obtain from real construction sites. Thus, this study presents a data-augmentation framework for generating synthetic time-series training data for an RNN-based deep learning network to accurately and reliably recognize equipment activities. The proposed methodology is validated by generating synthetic data from sample datasets, that were collected from two earthmoving operations in the real world. The synthetic data along with the collected data were used to train a long short-term memory (LSTM)-based RNN. The trained model was evaluated by comparing its performance with traditionally used classification algorithms for construction equipment activity recognition. The deep learning framework presented in this study outperformed the traditionally used machine learning classification algorithms for activity recognition regarding model accuracy and generalization.