基于3D-LCRN视频异常行为识别方法

自动准确识别监控视频中的异常行为在安防领域具有广泛的应用前景.本文提出一种基于3D-LCRN(3D Long-short-term Convolutional Recurrent Network)视觉时序模型的视频异常行为识别方法.首先,基于视频图像帧间的结构相似性,结合光照感应与光照补偿机制进行背景建模,获取对光照突变与背景运动不敏感的矫正光流场与矫正运动历史图.同时,针对异常与正常行为视频数据失衡问题,计算三通道矫正光流运动历史图COFMHI(corrected optical flow motion history image),随机提取视觉词块进行聚类,对样本数量与维度进行双向扩充,充分获取样本的微分和积分运动信息.在此基础上,采用3D-CNN深度学习网络模型对COFMHI进行学习,获取局部短时序时空-域特征,结合可学习贡献因子加权的LSTM网络以压制无关、冗余、具有混淆性的视频片段,进一步提取由短时序-长时序,由局部-全局的多层次时-空域特征用于异常行为识别.通过与同类方法的客观定量对比,实验结果表明,本文方法在光照突变与背景运动等复杂场景下具有优异的异常行为识别性能,进一步表明该方法有效、可行.

基于紫外–可见–近红外光谱特征映射矩阵的古陶瓷分类方法

为有效实现古陶瓷无损分类识别,提出了一种基于光谱特征映射矩阵古陶瓷分类方法。基于采集的紫外–可见–近红外反射光谱数据,采用Sigmoid映射将其变换为可在二维特征空间反映古陶瓷纹理及其结构关系的光谱特征映射矩阵。利用Sigmoid函数良好的非线性特性,平滑光谱数据中存在的异常值,以提高二维光谱特征映射矩阵的区分度。采用滑动窗口检测机制,通过扫描光谱特征映射矩阵,检测并定位异常光谱数据。为避免因直接剔除异常光谱数据易导致光谱信息丢失,采用邻域矩阵插值法计算近似正常值并修正异常光谱数据。在此基础上,基于卷积神经网络对二维光谱特征映射矩阵数据进行分类,实现对古陶瓷的无损识别。通过与同类古陶瓷分类方法的客观定量对比,实验结果表明所提方法有效、可行。