基于视觉表情分析的交互式表情机器人系统研究

针对表情机器人双向情感交互的需求,从系统集成的角度提出了一种综合表情分析、识别及交互动作映射的表情机器人系统建模方案.首先,以开源Fritz仿人头部机器人为基础,通过扩展语音、视觉等功能模块,构建了表情机器人多通道情感表达映射模型.其次,为实现表情机器人与操作者的自然交互,提出以视觉分析处理作为情感分析及交互操作的核心,采用类Haar特征级联分类算法进行人脸自动定位检测,利用对光照和人脸姿态变化不敏感的Gabor特征作为情感表情特征并实施空域降采样.针对传统特征脸检测方法样本间分布不合理问题,提出结合类内PCA分析、能量维数及特征重构来筛选特征向量,并张量成特征空间完成表情的分类识别.最后,在JAFFE库及实时视频图片上进行的测试结果证实了该系统建模方案的可行性和有效性.

基于停留点和运动特征的交通模式并行检测算法（英文）

为了更加精确、快速地对城市中移动对象的交通模式进行检测,提出了利用停留点和运动特征进行交通模式检测的并行算法.首先,提取出不同交通模式中停留点特征,即分别对各种交通模式的停留点进行识别,并通过聚类算法挖掘不同交通模式特有的停留点特征.然后,提取出不同交通模式中的运动特征,主要包括最大速度、平均速度、停止率等.利用提取的停留点特征和运动特征构建分类器,以预测新轨迹的交通模式.最后,提出了基于Spark的并行算法进行交通模式检测.实验结果表明,停留点特征和运动特征能够更大程度地呈现出不同交通模式之间的区别,且检测精度高于其他方法.此外,并行算法可以提高交通模式的识别效率.

时空轨迹分类研究进展

时空轨迹分类旨在为一条轨迹预测类别。时空轨迹分类在城市规划、个性化用户推荐等方面具有重要应用价值,其过程主要包括轨迹数据预处理、特征提取、建立分类器3个阶段。本文综述了近年来时空轨迹分类的研究进展,首先对时空轨迹分类的过程进行概述;然后将时空轨迹分类算法按特征提取的方式分为基于运动特征的轨迹分类算法、基于分类规则的轨迹分类算法和基于图像信号分析的轨迹分类算法3类,分别论述了这些算法的基本思想和优缺点;之后对现有的轨迹分类算法从数据来源、分类器、特征提取方式等方面进行对比分析;最后讨论现有的时空轨迹分类算法面临的挑战。