基于3D骨架相似性的自适应移位图卷积神经网络人体行为识别算法

图卷积神经网络(Graph Convolutional Neural network,GCN)在基于3D骨架的人体行为识别领域取得了良好效果。然而,现有的大多数GCN方法对行为动作图的构建都是基于人体物理结构的手动设置,训练阶段各个图节点只能根据手动设置建立联系,无法感知动作行为过程中骨骼节点之间产生的新联系,导致图拓扑结构不合理和不灵活。移位图卷积网络通过改变图网络结构使得感受野更加灵活,并且在全局移位角度取得了良好效果。因此,提出了一种基于自适应移位图卷积神经网络(Adaptive Shift Graph Convolutional Neural network,AS-GCN)的人体行为识别算法来弥补前述GCN方法的不足。AS-GCN借鉴了移位图卷积网络的思想,提出用每个人体动作的本身特点来指导图神经网络进行移位操作,以尽可能准确地选定需要扩大感受野的节点。在基于骨架的通用动作识别数据集NTU-RGBD上,所提算法在骨骼有无物理关系约束的前提条件下均进行了实验验证。与现有的先进算法相比,AS-GCN算法的动作识别准确率在有骨骼物理约束的条件下的CV和CS角度上平均提高了12%和4.84%;在无骨骼物理约束的条件下的CV和CS角度上平均提高了20%和14.49%。

基于局部特征空间自适应均值移位聚类的视网膜血管分割

视网膜血管分割在糖尿病、心血管等疾病的计算机辅助筛查和诊断方面有重要意义。文章提出一种基于局部特征空间自适应均值移位聚类的视网膜血管分割方法。首先对预处理后的视网膜图像提取Hessian最大本征值、Gabor小波、B-COSFIRE滤波特征构建3维眼底图像像素特征,在所构建的局部特征空间执行自适应带宽均值移位聚类,对聚类结果的三个特征分量的平均图进行二值化处理,进而实现视网膜血管分割。实验表明,在DRIVE眼底图像数据库上其准确率、灵敏度、特异性分别为94.40%、78.63%、97.08%,所分割的视网膜血管有较好的连续性和完整性。

强噪声背景下钢丝绳损伤信号降噪方法

钢丝绳损伤信号是一种非平稳无周期性的冲击信号,其特征信号的降噪处理和特征提取成为亟待解决的难题。小波变换方法若小波基或者分解层数不适合,会在信号降噪的同时引入其他噪声干扰,影响信号处理与特征提取的效果。相较于小波变换方法,移位平均法只需要选择一定的移位窗宽即可实现对信号的有效降噪,但移位窗宽需要人为选择,盲目性大。针对上述问题,提出一种强噪声背景下钢丝绳损伤信号降噪方法。利用钢丝绳漏磁检测传感器采集不同类型的断丝数据,向信号中加入强高斯白噪声,以模拟强噪声背景;采用自适应移位平均法对钢丝绳损伤信号进行降噪,利用量子粒子群优化(QPSO)算法优化移位平均法的窗宽;将损伤信号的信噪比(SNR)作为适应度函数,通过QPSO算法使得损伤特征信号SNR最大化,从而实现最优信号降噪效果。实验结果表明,对于强噪声背景下的钢丝绳平稳和波动信号,相较于小波变换,自适应移位平均法的降噪效果更明显,信噪比更高,信号更为平滑。实测结果表明,对于现场采集的噪声相对弱一些的钢丝绳损伤信号,自适应移位平均法的降噪效果也比小波变换好,验证了自适应移位平均法具有较好的通用性。

一种俯视行人的多目标检测和跟踪方法

提出了一种针对俯视客流计数的多目标自动检测和跟踪方法。该方法主要包括四个组成部分:运动检测、目标表示与识别、目标跟踪建模、目标跟踪。即首先通过视频帧间差法粗略检测出一帧图像中成片运动或变化的区域,在变化区域里遍历搜索目标;视觉目标表示为外形对称、外观具有某种形状结构、颜色均匀等一系列弱分类特征串联组成的形式,可以快速检测判别俯视行人的头部;再对检测到目标重新建模以便后续的跟踪;最后利用连续自适应的均值移位算法跟踪检测到的多个目标。检测与跟踪并行运行,跟踪可以验证检测到的目标。实验证明,该方法是有效的。