基于视觉传感器采集光流特征的精神疾病识别方法

目前,精神疾病的筛查主要依靠临床医生的访谈和问卷进行评估,具有高成本、主观性等问题。提出了一种基于视觉传感器采集光流特征的精神疾病识别方法,可以实时监测和预警,以较低的成本和非侵入性的方式来进行精神疾病的辅助筛查。该算法通过视觉传感器全面采集患者的面部数据来提取光流特征,并输入TSMOSNet进行训练。TSMOSNet以TSM为基础网络进行改进,替换普通卷积为光流提取头,针对视觉传感器采集而来的光流特征图进行密集采样,并添加了时序注意力模块、DML蒸馏和VideoMix数据增强等方法,增强了视觉特征,以提高精神疾病识别的准确率。实验结果表明,在H7-BDSN数据集上相比于其他方法,本研究提出的识别算法在精神疾病的筛查任务中取得了最好的效果,准确率为85%,F1分值为0.84。

融合光流特征和显著性检测的目标跟踪算法

传统的核相关滤波(Kernel Correlation Filter,KCF)算法使用HOG特征来获取目标信息,对非刚体目标不鲁棒,容易出现目标跟踪漂移现象。提出一种融合光流特征和显著性检测的目标跟踪算法抑制跟踪的漂移。算法通过在多通道特征表达时融入光流特征,增加运动目标的位置、姿态的变化信息。同时,通过显著性检测位置对漂移目标进行重检测调节,抑制跟踪漂移,提高跟踪的准确性。实验结果表明,该算法在复杂场景中仍可以进行鲁棒的视觉目标跟踪。

基于无人机及光流特征值法的振动台模型动位移测试方法研究

当前振动台模型试验大型、高耸结构的顶端位移测量较为困难,针对该问题提出采用无人机摄影技术对结构顶端大位移进行非接触测量。研究以光流特征值法为理论基础的视频位移识别技术,利用静止点对该方法计算结构位移过程中产生的无人机悬停飘移进行补偿,借助Python编写一套高精度位移响应程序,进行高耸结构模型振动台试验。通过输入不同幅值的地震波,对无人机拍摄的模型顶端位移视频进行程序分析,将输出结果与传统拉线位移计测量结果对比。针对拉线位移计算结果及视频位移识别结果之间的误差,通过FFT高通滤波、基线校正等方法对原始数据进行处理,形成了一套面向无人机摄影测量的处理标准。研究工作可有效地利用无人机代替传统接触式位移传感器,在大量程下实现对结构的顶端位移测量。

基于多帧间区域性光流特征的精神疲劳检测

人体慢性疲劳表情具有持续时间长、帧间位移小的特点,使快速、准确的识别比较困难。分析上述问题,相比相位、能量、特征匹配的计算方法,基于梯度的光流方法计算简单且得到较好的结果,因此对基于梯度的全局光流技术进行研究,使用全局光流技术在连续多帧间局部区域内进行计算,获得稠密光流,得到相隔多帧的两幅图像的运动变化,解决持续时间长和帧间小位移的问题。通过计算眼部区域和嘴部区域的点运动情况提取光流特征,使用光流加速度模值,设置模值阈值参数提取开始打哈欠的那一帧,通过计算得出一段时间内眼睛闭合率和打哈欠频率。实验结果表明,该方法可以准确识别出疲劳表情。

电力监控场景下基于光流特征点的目标跟踪算法

针对在特定电力系统监控场景下的目标跟踪问题,提出了一种基于光流特征点的目标跟踪算法。首先,对Kanade-Lucas-Tomasi(KLT)跟踪算法提取到的特征点进行背景特征点滤除,分离出关键特征点;其次,利用Density Based Spatial Clustering of Applications with Noise(DBSCAN)聚类方法对关键光流特征点进行聚类处理,区分出不同运动目标;最后,在KLT跟踪算法中引入Kalman滤波器对因遮挡导致的跟踪目标识别不全甚至目标丢失进行了优化。仿真实验结果表明:提出的算法能够在电力系统监控视频中实现对多目标的有效跟踪,并对跟踪目标遮挡情况有较高的鲁棒性。

结合面部纹理和光流特征的面瘫分级综合评估方法

针对面瘫分级评估问题,提出一种结合面部纹理和光流特征的面瘫分级综合评估方法。该方法针对面瘫诊断时患者需要完成不同的面部表情动作,关注并提取对应的面部区域特征,以及人脸两侧相关区域特征之间的差异以完成面瘫分级评估。首先,需要对面瘫静态图像和视频数据进行预处理;然后,利用人脸关键点检测方法对人脸进行区域划分;接着,针对面瘫图像和视频数据,分别依据人脸左右两侧对应区域的纹理特征差异和光流特征差异以完成面瘫分级评估;最后,利用基于图像和视频数据的评估结果进行面瘫分级的综合评估。实验表明,所提方法的面瘫分级评估平均准确率相对于传统方法提高了18%以上,具有明显优势。

一种基于SIFT特征光流的运动目标跟踪算法

针对传统光流跟踪算法计算复杂度高、受噪声影响大的问题,提出了一种基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)和卡尔曼滤波器的特征点光流跟踪算法。首先,利用SIFT算法提取图像中的特征点;然后,根据最小绝对值误差准则对运动目标的特征点进行匹配,建立卡尔曼滤波器方程来计算特征点光流;最后,通过光流特征聚类实现运动目标的识别与跟踪。实验结果表明,算法对自然场景中的运动目标具有良好的跟踪特性,稳定性好,计算量小,易于实现。

基于光流和自编码器的微表情检测方法

微表情检测广泛应用在谎言识别、心理健康和情感分析等场合,构建微表情检测模型需要充足的训练数据,但是标注微表情需要过高的成本,导致自发性微表情样本库数量过少,给微表情检测带来了极大的挑战。针对这个挑战提出一种新的微表情检测方法FLOW-AENET:提取人脸的光流特征,将光流特征作为自编码器的输入,利用深度学习模型对特征进行处理,再将学习到的特征加入SVM分类器中做二分类,在含有微表情的一类中,根据ROIS区域的变化程度判断出微表情产生的起始帧、顶峰帧和结束帧。在CASEME、CASME II等数据集上进行实验研究,结果表明,FLOW-AENET方法相比于其他方法具有明显的优势。

一种基于特征光流的运动目标跟踪方法

本文提出一种基于特征光流的运动目标跟踪方法 ,较好地克服了以往基于特征光流的方法中存在的主要不足之处。该方法使得跟踪更具主动性 ,提高了跟踪精度 ,减少了跟踪时间。

融合特征光流与角点特征的图像特征匹配算法研究

图像特征匹配是视觉里程计的重要环节,针对视觉图像序列特征点匹配中存在的匹配精度低问题,提出一种融合金字塔特征光流与角点特征的精确快速图像特征匹配算法。算法首先利用ORB(二进制定向简单描述符)算法快速提取图像特征点,然后融合金字塔Lucas-Kanade特征光流的追踪特性,使用局部特征窗口计算图像特征点位移矢量。接着针对图像特征的匹配对齐问题以及特征丢失问题,算法采用K最近邻半径搜索作为特征滤波器移除混淆的匹配,最后使用RANSAC(Random Sample Consensus)算法剔除冗余误匹配点对,提高匹配率。通过多组实验数据对比,该算法的图像特征匹配率可达到98%。对比传统的ORB特征匹配算法,该算法在实时性和图像特征匹配精度上均有显著提高。

基于特征光流的角点匹配快速算法

为了解决视频序列点匹配过程中的实时性和误匹配问题,本文提出了一种基于特征光流技术的快速角点匹配方法。该方法通过多分辨率策略,求出特征光流场概略运动矢量,然后依据匹配准则做相应特征点匹配处理,得到的精确运动矢量用作下一步的光流场计算。这样,既消除了误匹配点,又克服了光流计算的迭代负担。实验结果表明,算法正确匹配率达到98%以上,平均处理帧率24,能够满足系统实时性要求。

基于特征点光流和卡尔曼滤波的运动车辆跟踪

提出一种基于特征点光流的运动目标跟踪方法,将卡尔曼滤波跟踪技术和多边形跟踪策略应用于智能交通系统的运动车辆实时跟踪,使跟踪变得简单和稳定.计算机仿真结果表明,采用所提出的方法,能够以较高精度实现运动目标跟踪的目标模型选择、目标特征点选取、特征点光流计算、特征点光流聚类和目标识别,且计算量小、易于实现.

面向非结构化道路的特征光流检测

道路环境中的视觉障碍检测是智能车辆导航的一大难题,光流检测算法则为解决该难题提供了有效的途径。提出了一种复合特征光流检测算法,借助于不同类型局部特征的检测与匹配,通过图像分割发现感兴趣区域,通过光流检测为该区域的可通行性判定提供决策依据。与传统光流检测方法的对比实验证明了算法的有效性。

基于光流引导特征的视频行人再识别方法

视频行人再识别的主要任务是基于视频序列判断由不同摄像机捕获的行人是否为同一身份.当前的视频行人再识别方法大都需要提前手动提取光流图来计算行人的运动特征.为了简化网络结构,减少计算量,提出了一种基于光流引导特征的视频行人再识别方法.首先使用卷积神经网络提取行人图像的深度特征,并根据深度特征图计算光流引导特征来描述行人运动信息;然后联合行人空间外观特征与时间运动特征,获得视频级的行人特征描述矢量;最后计算特征描述矢量之间的欧式距离,判定两段图像序列中的行人是否为同一身份.在数据集iLIDS-VID、PRID2011上进行实验,结果表明该方法具有较高的识别率.

基于双路特征和混合注意力的微表情识别

人脸面部微表情是一种快速而微妙的变化动作,为了更好地提取到微表情的运动特征,提出一种基于差分图像序列的微表情特征提取算法,可以有效地提取到微表情帧序列与起始帧之间的运动特征。为了提高微表情识别的准确率,提出了一种融合通道注意力和空间注意力的混合注意力模型,该模型可以很好地提取到微表情的关键特征,并且减少无用特征对微表情情绪识别结果的影响。将微表情的光流特征和差分图像序列特征分为两路送入混合注意力机制模型中,对模型进行训练并得到最终识别结果。在CASMEⅡ、SMIC(HS)、SAMM和MEGC2019数据集上的实验结果表明,使用双路特征比单一特征未加权平均召回率(Unweighted Average Recall, UAR)和未加权F1得分(Unweighted F1-score, UF1)均提升了2%以上,使用混合注意力机制比不使用注意力机制的UAR和UF1均提升了10%以上。

基于特征光流的多运动目标检测跟踪算法与评价

光流车辆检测算法其光流不仅携带了运动物体的运动信息,还包含丰富的三维结构信息,能够在未知场景信息的情况下对运动目标进行准确检测;但传统光流法计算方法复杂、抗噪性能差、处理速度缓慢,无法满足多目标实时检测的实际需求。为提高光流法实时检测效率,同时保持较好的检测精度,提出了一种基于Harris特征点光流及卡尔曼滤波模型的多运动目标跟踪算法;并提出新的视频目标检测算法性能评价指标。通过对不同实验场景下多个运动目标的检测与跟踪实验统计结果表明,对比主流Meanshift车辆跟踪算法,检测精度平均提高4.61%;且跟踪持续性提升41.5%,具有更好的鲁棒性及准确性。在时间效率上较比传统光流法平均提升42.9%,能够更好地满足目标跟踪实时性要求。

基于光流的ATM机异常行为实时检测

异常行为检测在自助银行智能监控系统领域中有广泛的应用前景.本文针对此应用领域,提出了基于区域光流特征的异常行为检测方法.首先利用混合高斯模型来表示背景像素的变化并自适应更新背景模型,用背景差法从视频序列中提取运动前景;采用lucas-kanade光流法计算出运动区域内的光流信息.采用基于幅值的加权方向直方图描述行为,计算区域内直方图的运动熵发现候选异常区域,再利用支持向量机进行分类.从实验结果可以看出,能够较好的识别出异常事件,并且实时性较好,能够满足实际应用需求.

一种基于矩特征和特征光流的运动目标跟踪方法

提出了一种基于矩特征和特征光流的运动目标跟踪方法。首先进行角点特征提取,按照提出的基于矩特征的局部范围内匹配角点的策略,完成了序列图像的角点匹配;然后,按照本文提出的光流聚类准则完成了两个图像目标的聚类。仿真实验表明,本文算法在减少计算量的同时可提高跟踪精度,且可克服目标做小角度旋转时的失跟问题。

基于光流速度分量加权的人体行为识别

为了提高光流特征对人体行为的描述性,提出一种新的人体行为识别方法。首先,将提取的光流特征分解为u和v两个速度分量分别来描述行为,通过直接构造视觉词汇表分别得到不同行为两个速度分量的标准视觉词汇码本,并利用训练视频得到每个行为的不同分量的标准词汇分布;进而根据不同行为两个分量的标准视觉词汇码本,分别计算测试视频相应的速度分量的词汇分布,并利用与各行为两个速度分量的标准词汇分布的加权相似性度量进行行为识别;最后在KTH数据库和Weizmann数据库中进行实验。实验结果表明,与其它行为识别方法相比笔者提出的方法可以明显提高行为平均识别率。

基于光流导向特征的美术绘画图像色彩校正方法

美术绘画图像拍摄时受拍照角度、相机曝光参数等原因的影响,导致图像色调和明暗具有显著差异,因此提出基于光流导向特征的美术绘画图像色彩校正方法。使用光流导向特征计算图像像素值,并迭代优化更新光流域。建立最小化变量能量总值目标函数得到光流信息,有效区分图像色彩失真区域。应用retinex原理提取高光区域,按照色度距离和空间距离设定系数权重,最后使用分层色彩校正获得高质量的色彩校正图像。实验结果表明,所提方法对不均匀多光源色偏图像具有良好校正效果,能够在美术绘画图像数字化资源的有效应用中发挥重要作用。