基于CEEMDAN与自相关函数的心音去噪

为有效去除心音信号中的噪声,提出基于CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)与自相关函数的心音去噪算法。首先,通过CEEMDAN将含噪的心音信号分解为具有不同尺度特征的IMF(Intrinsic Mode Function)分量;其次,根据噪声与心音的自相关函数性质不同,界定IMF分量的信噪分界点;最后,对以噪声为主的IMF分量进行均值滤波,并将其与以心音为主的IMF分量重构得到去噪后信号。实验表明,在不同的噪声水平下,与小波软阈值去噪算法、小波硬阈值去噪算法、CEEMDAN去噪算法相比,所提算法的信噪比最高,均方根误差最小,在去除噪声的同时,可以较好地保留心音信号中的有效信息。

基于深度学习的二维人体姿态估计研究进展

人体姿态估计在人体行为识别、人机交互、体育运动分析等方面有着广泛的应用前景,是计算机视觉领域的一个研究热点。在最近的十年中,得益于深度学习技术,大量的研究工作极大地推动了人体姿态估计技术的发展,但由于受训练样本不足、人体姿态的多变性、遮挡、环境的复杂性等因素影响,人体姿态估计仍然面临着诸多的挑战。文中对近年来基于深度学习的2D人体姿态估计方法进行归纳和总结,着重分析一些有代表性的人体姿态估计方法的思路及工作原理,以便研究人员了解当前的研究现状、面临的挑战以及今后的研究方向,拓展研究思路。

产教融合下5G实验室建设路径的探索与研究

随着6G时代的到来,5G技术已广泛应用于各个行业,并与云计算、物联网、大数据、人工智能等新兴技术不断融合,对专业人才的知识深度和广度提出了更高的要求。面对5G产业的快速发展引起的人才需求变革,通信领域的人才培养和就业面临新的挑战。为了应对这些挑战,校企联合共建5G实验室,深化产教融合和校企合作,推进“引企入教”模式。通过创新实践课程体系、实验室环境与管理,探索出符合5G人才培养的模式,培养具备实践教学能力的“双师型”教师队伍,搭建实践教学平台和实习实训基地,实现实践教学与技术发展的对接,培养与5G产业需求相符合的人才。

一种用于人脸表情识别的卷积神经网络

为了避免传统的表情识别中复杂的显式特征提取过程,文中提出了一种用于人脸表情识别的卷积神经网络(CNN)。首先,对人脸表情图像进行归一化预处理,并使用可训练的卷积核提取隐式的特征。然后,采用最大池化方法对提取的隐式特征进行降维处理。最后,采用Softmax分类器对测试样本图像的表情进行分类识别。使用图形处理器(GPU)在CK+人脸表情数据库上进行了实验,结果表明了CNN用于人脸表情识别的性能和泛化能力。

基于长短期记忆和卷积神经网络的语音情感识别

为了提高语音情感识别的准确率,提出了一种基于长短期记忆(LSTM)和卷积神经网络(CNN)的语音情感识别方法。首先提取语音信号的梅尔(Mel)频谱序列作为LSTM网络的输入,利用LSTM网络提取语音信号的时域上下文特征,在此基础上再利用CNN从低层特征中学习提取更高层次的情感特征,并完成对语音信号的情感分类。在eNTRAFACE’05、RML和AFEW6. 0三种不同的情感数据库上进行了情感识别测试,实验结果表明,文中提出的方法在上述三种数据库上获得的平均识别率分别为49. 15%,85. 38%和37. 90%。此外,和传统的语音情感识别方法以及基于LSTM或CNN的语音情感识别方法进行了对比,验证了文中提出方法的有效性。

基于模糊逼近的轮腿机器人模型预测跟踪控制

为了同时保证轮腿机器人的轨迹跟踪精度和重载稳定运行,这里提出了一种基于模糊逼近的轮腿机器人模型预测跟踪控制方法。首先对一种四轮腿机器人的并联结构进行系统建模,从模型上提升机器人的负载能力。然后提出了一种基于神经模糊逼近的模型预测跟踪方法,用于评估不确定性动力学和外部干扰,提高轨迹跟踪精度,包括机械结构自适应、重载条件和外部负载干扰。最后通过轮腿机器人平台实验证明了提出方法能够在重载条件下实现高精度的跟踪控制,并且具有较好的鲁棒性。

基于LBP特征和稀疏表示的新生儿疼痛表情识别

面部表情被认为是新生儿疼痛评估的可靠指标。文中提出一种基于加权局部二元模式(LBP)特征描述符和稀疏表示分类器的新生儿疼痛表情识别方法。首先,经归一化后的面部图像采用一个特征向量来描述,这个特征向量是通过串接组合所有局部图像块的LBP特征图的加权直方图所得到的直方图序列。然后,采用主成分分析(PCA)方法对训练样本及测试样本图像的特征向量进行降维。最后,采用基于稀疏表示的分类器将测试样本图像的表情分为4类:平静、哭、轻度疼痛、剧烈疼痛。文中研究目的是通过利用基于计算机的图像分析技术来辅助临床医生评估新生儿疼痛。在新生儿面部图像数据库上进行的实验结果表明了该算法的有效性,表情分类的平均识别率高达84.50%。

基于LBP-TOP特征的微表情识别

微表情是一个人试图隐藏内心真实情感却又不由自主流露出的不易被察觉的面部表情。与一般面部表情相比,微表情最显著的特点是持续时间短、强度弱,往往难以有效识别。文中提出了一种基于LBP-TOP(Local Binary Pattern from Three Orthogonal Planes)特征和支持向量机(Support Vector Machine,SVM)分类器的微表情识别方法。首先,采用LBP-TOP算子来提取微表情特征;然后,提出一种基于ReliefF与局部线性嵌入(Locally Linear Embedding,LLE)流形学习算法相结合的特征选择算法,对提取的LBP-TOP特征向量进行降维;最后,使用径向基函数(Radial Basis Function,RBF)核的SVM分类器进行分类,将测试样本图像序列的微表情分为5类:高兴、厌恶、压抑、惊讶、其他。在CASME Ⅱ微表情数据库上采用"留一人交叉验证"(Leave-One-Subject-Out Cross Validation,LOSO-CV)的方式进行了实验,可得到58.98%的分类准确率。实验结果表明了该算法的有效性。

基于SVM的新生儿疼痛表情识别

近十年来新生儿疼痛引起医护人员的广泛关注。由于新生儿不能自述疼痛的感受,疼痛评估成为新生儿科学中最具挑战性的一个难题。新生儿'疼痛面容'(蹙眉、挤眼、鼻唇沟加深、张口)被认为是最可靠的疼痛指标,且持续时间最长,因而被国际上常用的新生儿疼痛评估工具作为评估指标。然而,这些疼痛评估工具往往受到临床医护人员主观因素的影响。文中旨在解决上述问题,提出利用支持向量机(SVM)技术对新生儿疼痛与非疼痛面部表情进行分类识别。对210幅照片的表情图像进行了研究,比较了线性核函数SVM、多项式核函数SVM(d=2,3,4)以及径向基函数SVM等5种不同分类器的性能。实验结果表明,阶数d=3的多项式核函数SVM分类器的性能最佳,对疼痛和非疼痛表情分类的识别率达到93.33%,对疼痛与安静表情的分类识别率为94.17%,对疼痛与哭表情的分类识别率为83.13%,初步具备了在新生儿疼痛评估中的潜在应用价值。

基于遗传算法的多模态情感特征融合方法

为了提高情感识别的准确率,针对单模态情感识别率低以及常规特征融合方法存在的缺点,提出了一种基于遗传算法的多模态情感特征融合方法,利用遗传算法对多个模态的情感特征进行选择、交叉以及重组。在eNTRAFACE’05表情-语音双模态情感数据库上进行了情感识别测试,对基于面部表情或语音的单模态情感识别,以及基于特征层或决策层融合的各种双模态情感识别的性能进行了比较。实验结果表明,双模态情感识别的性能高于单模态情感识别,而且文中提出的基于遗传算法的多模态情感特征融合方法比其他几种常规的特征融合方法的效果好,验证了文中提出的方法的可行性和有效性。

基于深度残差网络的人脸表情识别

针对深度卷积神经网络随着卷积层数增加而导致网络模型难以训练和性能退化等问题,提出了一种基于深度残差网络的人脸表情识别方法。该方法利用残差学习单元来改善深度卷积神经网络模型训练寻优的过程,减少模型收敛的时间开销。此外,为了提高网络模型的泛化能力,从KDEF和CK+两种表情数据集上选取表情图像样本组成混合数据集用以训练网络。在混合数据集上采用十折(10-fold)交叉验证方法进行了实验,比较了不同深度的带有残差学习单元的残差网络与不带残差学习单元的常规卷积神经网络的表情识别准确率。当采用74层的深度残差网络时,可以获得90.79%的平均识别准确率。实验结果表明采用残差学习单元构建的深度残差网络可以解决网络深度和模型收敛性之间的矛盾,并能提升表情识别的准确率。

求取真实运动矢量的一种算法

针对物体基视频编码与分割应用，提出了求取特征区域真实运动矢量的一种算法。首先，利用运动检测器将图像序列的每一帧分割成静止区域与运动区域。然后只对运动区域进行运动估计。为了克服传统块匹配法的固有缺点，本文算法采用变尺寸块匹配法，大的均匀区用大方块，运动物体的边缘区用小方块；在进行块匹配搜索期间，在易误匹配的区域，为了不遗漏真实的运动矢量，先按照ＭＡＥ准则预选出多个候选运动矢量，尽可能保证真实的运动矢量包含其中，接着再根据相邻块运动矢量的相关性，从多个候选运动矢量中选出一个比较可靠的运动矢量。实验结果表明，该算法产生的运动矢量真实可靠，而且一致性好，可用于识别可靠的运动区域。

多尺度形态梯度算法及其在图像分割中的应用

分水岭变换是一种适用于图像分割的强有力的形态工具。然而，基于分水岭变换的图像分割方法的性能在很大程度上依赖于用来计算待分割图像梯度的算法。本文首先提出了一种计算图像形态梯度的多尺度算法，对阶跃边缘和“模糊”边缘进行了有效的处理：其次，提出了一种去除因噪声或量化误差造成的局部“谷底”的算法。实验结果表时，采用本文算法后进行分水岭变换，即使不进行区域合并也能产生有意义的分割，极大地减轻了计算负担。

基于CNN和LSTM的脑电信号情感识别

为了提高脑电信号情感识别的准确率,提出了一种基于卷积神经网络(CNN)和长短时记忆(Long Short⁃Term Memory,LSTM)网络的脑电信号情感识别方法。首先,对62个通道的脑电信号进行预处理,并对预处理后的每个通道的脑电信号分别采用一维卷积神经网络提取情感特征。然后,利用LSTM网络在序列上的建模能力,将62个通道的情感特征组成特征序列依次输入到LSTM网络,提取多通道融合情感特征。最后,将LSTM网络输出的多通道融合情感特征输入到全连接层和Softmax分类器,将情感分成积极、中性、消极3种类别。在脑电情感数据集SEED上进行了情感识别实验,取得了88.15%的平均分类准确率。实验结果表明,文中提出的脑电信号情感识别方法的性能优于基于传统人工设计特征及支持向量机(SVM)或深度置信网络(DBN)的其他方法,验证了文中提出方法的可行性和有效性。

基于二维局部保持鉴别分析的特征提取算法

提出了一种二维局部保持鉴别分析(Two-dimensional Locality Preserving Discriminant Analysis,2D-LPDA)特征提取算法。该算法直接对图像矩阵进行运算而不需要将矩阵转化为向量后进行运算,较好地保持了图像相邻像素之间的空间结构关系;在LPP算法的基础上,利用训练样本的类别信息计算二维类间散度矩阵和二维类内散度矩阵,并在2D-LPDA的目标函数中引入最大间距准则(Maximum Margin Criterion,MMC),从而求得具有良好鉴别能力的投影向量,同时还避免了小样本情况下矩阵的奇异性问题。通过在ORL人脸图像库上的人脸识别和新生儿面部图像库上的疼痛表情识别实验,验证了所提出的算法的有效性。

全景视图泊车辅助系统中的多视点视频拼接

为了满足全景视图泊车辅助系统中视频拼接的实时性要求,文中提出了一种基于特定图像拼接与查表法相结合的多视点视频拼接方法。在初始化阶段,首先用4个放置于车辆前、后、左、右4个方位的摄像头采集标定图像,分别对4个摄像头进行参数标定,矫正摄像头畸变带来的成像失真,并保存摄像头相关参数;然后对矫正后的标定图像进行射影变换,求解并保存射影变换参数;接着采集4个方位的特定图像,并通过查找摄像头参数进行图像畸变矫正,通过查找射影变换参数将矫正后的特定图像变换成俯瞰图;最后对4个俯瞰图进行图像配准,求解并保存单应性矩阵参数,经图像融合和拼接生成全景视图。在泊车辅助系统启用期间,通过查找已保存的摄像头参数、射影变换参数以及单应性矩阵参数,将4个摄像头的视频图像进行拼接,生成虚拟的俯瞰全景视图。实验结果表明,文中提出的方法适用于实时性要求较高的多视点视频拼接。

基于图的半监督深度学习及其在新生儿疼痛表情识别中的应用

针对新生儿疼痛表情识别任务中由于有类别标签样本数量不足而导致分类准确率不高的问题,提出了一种基于图的半监督深度学习(Graph-based Semi-supervised Deep Learning,GSDL)方法。首先,使用训练集中少量有类别标签的样本对深度神经网络模型进行初步训练,得到初始模型;然后,利用初始模型提取有类别标签样本与无类别标签样本的特征向量,并使用提取的特征向量构建一个邻接矩阵,进而构建一个图,在构建的图上通过标签传播算法推测出无类别标签样本的伪标签;最后,使用所有样本及其标签对深度神经网络模型进行微调,得到最终的新生儿疼痛表情识别分类模型。在新生儿疼痛表情数据集上的实验结果表明,在使用相同数量的有类别标签样本情况下,文中提出的GSDL模型的分类准确率优于传统的有监督深度学习模型,也高于现有的半监督深度学习模型(Mean-Teachers,MT),验证了GSDL方法在新生儿疼痛表情识别中的有效性。

形态重构算法及应用

本文首先定义了二值图像和灰度图像的形态重构．接着，着重描述了形态重构的实现问题。在简要回顾了经典的并行及率行算法，指出它们的共同缺点是在普通计算机上运行效率不高后，我们提出并实现了两种有效的形态重构算法．第一种算法基于标记图像区域峰顶的概念并采用了先进先出（FIFO）队列的数据结构；第二种算法是利用第一种算法和串行其法各自优点的一种混合算法．模拟结果证实了算法的有效性．实践证明重构式形态滤波器不仅能达到化简图像的目的，而且能较好地保持图像的轮廓信息，所以应用于图像分割是很合适的．

基于不相关局部敏感鉴别分析的新生儿疼痛表情识别

针对新生儿疼痛表情识别中的特征提取问题,提出一种不相关局部敏感鉴别分析(Uncorrelated Locality Sensitive Discriminant Analysis,ULSDA)算法。首先,在局部敏感鉴别分析(LSDA)算法的基础上,通过附加投影向量正交性的约束条件,定义了ULSDA的目标函数;然后,推导出求解特征子空间正交投影向量的迭代公式;最后,将输入的高维图像数据投影到这个特征子空间,求出特征向量。ULSDA算法不仅继承了LSDA算法所具有的有监督、局部流形结构保持等特性,而且消除了LSDA算法所提取出的鉴别特征的相关性,从而增强了特征的鉴别能力,比LSDA算法具有更好的分类识别能力。在新生儿表情图像库上的疼痛表情识别实验结果表明,提出的ULSDA方法是有效可行的。当每类表情的训练样本图像为150幅时,采用ULSDA算法获得的平均识别率达到了82.07%,优于主成分分析(PCA)、线性鉴别分析(LDA)、局部敏感鉴别分析(LSDA)等特征提取方法。

基于协作表示的人脸表情识别

针对基于稀疏表示的分类(SRC)算法因采用l1范数最小化求解稀疏表示系数的计算复杂度高,由此提出一种基于协作表示的分类(CRC)算法,并应用于人脸表情识别中。首先,将归一化后的人脸图像分割为若干个互不重叠的子块,采用均匀LBP算子分别提取各个子块的特征向量,并依据每个子块图像的信息熵大小对各个特征向量进行加权后串接组合起来,构成一个联合特征向量,作为描述该图像的特征向量;然后,采用主成分分析(PCA)方法对测试样本和训练样本图像的特征向量进行降维;最后,采用基于协作表示的分类(CRC)算法,将测试样本图像的表情分为7类:生气、厌恶、恐惧、中性、悲伤、高兴和惊讶。在JAFFE数据库上的实验结果表明了本文算法的有效性,CRC算法的识别率与SRC算法几乎相当,但大大降低了计算复杂度,识别时间约为SRC算法的1/60。