基于支持向量机的人体姿态识别

人体姿态识别是当前自动视频理解技术的研究热点,提出的算法能够识别视频中的十二种人体姿态,包括走路、跳跃、爬行和弯腰等.算法首先提取前景图像中的星形轮廓位置、六星角度和离心率等多特征信息,组成人体姿态特征,结合该特征的向量表示利用基于径向基核支持向量机的分类器,实现各种姿态的识别.实验中,在公共数据库和部分自采集数据基础上构建特征库,对分类器进行训练,对其余自采集数据进行分类,结果表明:该算法对小样本下的人体姿态识别具有令人满意的结果.

基于三维动态特征的运动状态识别方法研究

提出基于三维动态特征的运动状态识别方法.首先采用一种星型骨架组成结构揭示人体三维运动模式,利用GMM得到图像序列的前景图片,运用ISOMAP非线性算法的降维方法来取得低维数据子空间,把运动姿态三维数据投影到非线性流型低维子空间中,识别出运动状态的内在结构后分别研究人体运动的各个关节点,最后通过集成学习的方法生成隐马尔科夫学习器达到自动识别运动状态目的.仿真实验结果表明,提出方法的识别速度和精度对比传统方法有明显提高,证实了研究方法的可行性.

基于QbD理念对蜡骨架缓释片的优化

目的基于质量源于设计(quality by design,QbD)理念,剖析对照药的处方组成及关键工艺参数(CPPs),运用星点设计-效应面法优化蜡骨架缓释片的处方。方法以氯化钾为模型药物,运用失败模式和影响分析法(failure mode and effect analysis,FMEA)进行风险评估,确定CPPs,并采用星点设计-效应面法对CPPs进行优化,建立统计模型,得到最优的处方工艺。结果基于QbD理念,通过星点设计-效应面法对CPPs进行优化,以粉衣层明胶比例、粉衣层增重、隔离层层数、糖衣层增重为自变量,以0.25、0.5、1、2、4、6和8 h的累积释放百分率为因变量,绘制优化模型的效应面图,最终得到了最优的包衣工艺。建立了CPPs与CQAs的关联,并对最优包衣工艺进行验证,释放结果与预测值基本一致,自制片与参比制剂的体外释放行为一致。结论基于QbD理念,得到了优化模型的产品,符合预期的QTPP且质量稳定、可控。

基于星状骨架和隐马尔科夫模型的姿态识别方法

提出一种基于星状骨架和隐马尔科夫模型的行走姿态识别方法,以猪为识别对象,采用猪体星状骨架模型提取特征向量,将特征向量进行符号映射,实现了将时间序列的姿态影像转换成符号序列,并对训练得到的隐马尔科夫模型进行测试。实验结果表明,该方法对猪的3种行走姿态有较好的识别效果。

基于归一化R变换分层模型的人体行为识别

为保留多特征的鉴别能力和区分能力,同时不增加特征维度,提出了一种基于归一化R变换分层模型的人体行为识别方法。第一层选取描述了运动发生区域的运动能量图像(MEI)作为特征,并依据其归一化R变换曲线对行为进行大类划分;第二层利用细节特征更丰富的关键姿态的星状模型以及宽比和高比特征对各大类进行细分,实现行为的分治识别。对Weizmann和ViHaSi人体行为数据库进行实验,识别率分别为92.47%和96.67%。实验结果表明。

粒子群优化人体星形骨架特征矢量量化

实现了人体星形骨架特征提取,并利用粒子群优化骨架特征矢量的量化。星形骨架通过连接人体质心点到人体四肢及头部端点实现,是一种快速骨架提取技术。把质心点和端点连接,人体星型骨架可以用一个五维矢量Si表示,Si∈Rn,Rn是星型骨架特征空间。时序图像中的人体动作可以用星型骨架序列表示的特征矢量序列S代替。最后用粒子群优化S的特征量化过程,生成特征码本G。

一种改进的人体骨架特征提取算法

在人体边缘轮廓提取的基础上,提出一种人体星形骨架特征提取算法。计算轮廓边界点到人体质心的欧氏距离,并通过小波降噪平滑距离信号。然后提取极值点,构建人体星形骨架模型。利用自适应滤波方法将极值点统一为5个,并采用极值点到人体质心的欧氏距离参数化特征向量。提取视频序列中行为动作的关键姿态编码,建立码本。采用贪婪匹配下的旋转距离将骨架特征向量与码本对照,取距离最小的关键姿态的序列号作为该特征向量的特征序列号输出。实验结果表明,该算法可以提高特征提取的准确性和系统的整体匹配效果。

一种基于骨架和HMM的姿态描述方法

姿态描述在行为识别、人机交互、异常检测等领域有着重要应用。根据姿态描述实时和准确性的要求,提出了结合原子体态以及原子体态之间组合规则的描述方法。采用人体骨架模型描述原子体态,对常用动作建立了骨架模型数据库,从一定程度上解决了单视环境下的遮挡问题。对训练样本,参照模型数据库完成编码,通过隐马尔科夫模型训练得到参数模型,并对训练得到的模型进行验证,以及测试。实验结果表明,该方法具有计算量小和准确率高的优点。