动态时间规整算法优化

为了解决动态时间规整算法在时间序列长度较长、两段时间序列长度相当时计算效率较低等问题,对动态时间规整增加约束条件,并从压缩时间序列、优化全局约束及修改约束条件等方面进行改进。通过实验,将算法应用于较长的时间序列中。实验结果表明,两段时间序列长度越接近,动态时间规整的时间复杂度越趋于线性,在完全相等时,时间复杂度从传统算法的O(nm)优化至O(n),优化效率最高可达到99%。修改约束条件后的动态规整算法可识别实验中所有经过慢放处理的时间序列。经过优化的动态时间规整算法可在一定条件下提高效率,并且能快速识别相同的时间序列。

基于长效递归深度卷积网络的实时人物动作识别

为高准确度识别实时人物动作模式,对长效递归卷积网络(LRCN)进行改进,得到长效递归深度卷积网络(LRDCN)。LRDCN使用多帧叠加的RGB图像与光流图像作为网络输入,将基于RGB图像的人体动作特征与基于光流图像的人体动作特征进行加权融合,结合卷积神经网络(CNN)对Two-stream算法进行扩展作为最终的人体动作特征,传入长效递归深度卷积网络进行序列学习,得出实时动作序列。在UCF-101和Weizman数据集上训练LRDCN,分别测试单一动作识别准确度与动作序列检测精确度。实验结果表明,神经网络层数增加不会引起梯度爆炸问题,单一动作识别准确率达到91.2%,动作序列识别准确率达到93.8%。LRDCN不仅能精确识别单个动作及动作序列,并且对长视频序列有较高的适应性。