基于人体骨架序列的手扶电梯乘客异常行为识别

手扶电梯(简称扶梯)乘客异常行为识别研究具有重要意义.针对传统行为识别算法易受环境影响、不能实时并准确对多目标进行识别的问题,提出一种基于人体骨架序列的扶梯乘客异常行为识别算法.该算法首先通过结合可变形组件模型特征的支持向量机检测乘客人脸,并用改进的核相关滤波器对其进行跟踪,从而得到乘客在扶梯中的运动轨迹;接着利用卷积神经网络提取轨迹中乘客的人体骨架序列,并通过模板匹配从乘客人体骨架序列中检测异常行为骨架序列;最后利用动态时间规整将其与各类异常行为骨架序列匹配,基于k近邻方法识别异常行为.对10段扶梯视频的实验结果表明,文中所提的异常行为识别算法处理速度达到10帧/秒,识别准确率为93.2%,能够实时、准确地识别多种乘客异常行为.

转基因植物中载体骨架序列的安全性隐患及解决方案

载体骨架序列等非目的基因外源DNA片段整合入植物染色体中有可能引发的安全性问题已成为近年来植物基因工程研究的热点之一。总结了载体骨架序列整合进植物染色体的现象、由此引发的安全性隐患和机理 ,以及解决该问题的研究思路和方法 。

转基因橡胶树中载体骨架序列的初步研究

以橡胶树转基因材料为研究对象,首次基于载体左右边界序列设计的特异引物进行载体骨架序列的初步PCR检测,结果表明,15个转基因阳性株系中有5个和2个株系分别含有左侧和右侧的边界序列,占33.3%和13.3%,结合这些株系PCR产物的序列分析结果进一步证实除T-DNA区以外的载体骨架序列确实整合到这些株系的植物基因组中。同时对载体骨架序列存在的弊端及可能的解决途径做了相应的分析。

图神经网络在人体骨架序列中的动作识别

在骨架序列的动作识别中,为了更好的突出身体中不同部位的关联性,提出一种将人体骨架图定义为有向图来提取身体部位中的关键信息。首先找到每个关键部位的顶点,对任意的骨架关节点进行拼接工作;其次对给定的张量乘以对应部位的关联矩阵并执行聚合函数;最后根据依靠图卷积网络对得到的邻接矩阵进行空间流和时间流的卷积,并在训练阶段增加Res结构增强模型的稳定性。结果表明:该方法在NTU-RGBD数据集上的CS和CV子集上取得了87.6%和96.5%的准确率,更好的提高了视频中人体动作的准确率。

基于骨架序列提取的异常行为识别

视频监控系统中的人员异常行为识别研究具有重要意义.针对传统算法检测实时性和准确性差,易受环境影响的问题,提出一种基于骨架序列提取的异常行为识别算法.首先,改进YOLOv3网络用以对目标进行检测、结合RT-MDNet算法进行跟踪,得到目标的运动轨迹;然后,利用OpenPose模型提取轨迹中目标的骨架序列;最后通过时空图卷积网络结合聚类对目标进行异常行为识别.实验结果表明,在存在光照变化的复杂环境下,算法识别准确率达94%,处理速度达18.25 fps,能够实时、准确地识别多种目标的异常行为.

面向骨架手势识别的全局时空可变形网络

基于骨架序列进行手势识别关键在于如何融合时空信息提取可分辨性强的特征。该文提出关键点聚焦模块,通过全局上下文建模和不受限于固定形式的卷积方式,网络可以跨越多帧和不相关的关键点,在全局范围内自适应地聚合与手势动作密切相关的关键点信息,提取手势的时空特征。实验表明该方法在ChaLearn2013和SHREC数据集上得到的准确率可以达到94.88%和95.23%,优于现有方法。此外,该方法在处理噪声数据和动态手势方面稳定性更好。

基于HGCN的序列手势骨架生成方法研究

手势是交流互动中一种重要的非语言媒介,手势序列生成作为手势表达行为建模的重要任务,在手势分类、手势识别和虚拟人手语驱动等场景有大量应用需求。针对序列手势骨架生成问题,提出了基于Hand-Gesture Graph Convolution Neural Network(HGCN)的手势骨架序列生成方法,采用生成对抗训练框架,在图卷积骨架序列生成方法基础上针对手势骨架序列数据特点,提出图卷积的手部特征增强和基于时空位置编码的自注意力结构的改进方法。实验结果表明,提出的HGCN方法相比基准图卷积骨架生成方法在手势骨架序列生成问题中有更好的结果。

DNA的核骨架结合序列(MARs)研究进展

核骨架结合序列(Matrix-associated Reg-ions,MARs)是存在于真核细胞染色质中的一段与核骨架特异性结合的DNA序列。它常常位于基因的侧翼区内,与一些调控因子相邻;序列具有A-T丰富的特点,而且常常含有拓扑异构酶Ⅱ的酶切位点。近年来的研究表明MARs参与了细胞的许多重要的生命活动,包括染色质的组装,基因的复制和表达。因此,MARs被认为是一种决定染色质结构性和功能性区域的新的顺式调控因子。本文对MARs的特点,生物学功能以及研究方法等方面的最新进展进行了阐述。

DNA模板骨架合成金属纳米团簇传感策略概述

以DNA模板为骨架合成的金属纳米团簇含有几个到几百个原子,其尺寸范围从亚纳米到2纳米。由于具有很强的量子限域,该类金属纳米团簇表现出优良的类分子荧光特性。该文主要概述了以不同DNA序列模板合成的银纳米团簇(AgNCs)、铜纳米团簇(CuNCs)和金纳米团簇(AuNCs),及其在生物传感领域的应用。与其他配体保护的金属纳米团簇相比,DNA模板金属纳米团簇表现出更优越的物理、化学特性和生物相容性。如DNA模板银纳米团簇根据模板序列的不同,显示出可调的荧光发射和增强的稳定性。近些年来,研究者们利用金属团簇作为一类特殊的免标记型荧光信标,构建了各种目标物检测的传感平台,包括小分子和离子检测,蛋白检测以及核酸检测等。在可预见的未来,基于巧妙设计的DNA-金属纳米团簇及其复合材料在生物传感和生物分析领域将有更大的发展。

基于时空权重姿态运动特征的人体骨架行为识别研究

人体行为识别在视觉领域的广泛应用使得它在过去的几十年里一直都是备受关注的研究热点.近些年来,深度传感器的普及以及基于深度图像实时骨架估测算法的提出,使得基于骨架序列的人体行为识别研究越来越吸引人们的注意.已有的研究工作大部分提取帧内骨架不同关节点的空间域信息和帧间骨架关节点的时间域信息来表征行为序列,但没有考虑到不同关节点和姿态对判定行为类别所起作用是不同的.因此本文提出了一种基于时空权重姿态运动特征的行为识别方法,采用双线性分类器迭代计算得到关节点和静止姿态相对于该类别动作的权重,确定那些信息量大的关节点和姿态;同时,为了对行为特征进行更好的时序分析,本文引入了动态时间规整和傅里叶时间金字塔算法进行时序建模,最后采用支持向量机完成行为分类.在多个数据集上的实验结果表明,该方法与其它一些方法相比,表现出了相当大的竞争力,甚至更好的识别效果.

基于图卷积的骨架行为识别

近年来,随着视频大规模增长,如何高效组织和分析这些海量视频,面临巨大的挑战,而人作为视频中的主体,如何有效分析其行为,成为学术界研究的一个热点。通过利用OpenPose,提取视频中人体的动态骨架序列,采用基于图卷积神经网络的方法,借助在大规模视频动作数据集上训练好的模型进行迁移学习,所提出的方法在自采集的室内监护视频数据集上,取得0.9的识别准确率。

基于新分区策略的ST-GCN人体动作识别

人体动作识别是智能监控、人机交互、机器人等领域的一项重要技术,基于人体骨架序列的动作识别方法在面对复杂背景以及人体尺度、视角和运动速度等变化时具有先天优势。时空图卷积神经网络模型(ST-GCN)在人体行为识别中具有卓越的识别性能,针对ST-GCN网络模型中的分区策略只关注局部动作的问题,设计了一种新的分区策略,通过关联根节点与更远节点,加强身体各部分信息联系和局部运动之间的联系,将根节点的相邻区域划分为根节点本身、向心群、远向心群、离心群和远离心群等5个区域,同时为各区域赋予不同的权重,提升了模型对整体动作的感知能力。最后,分别在公开数据集和真实场景下进行实验测试,结果表明,在大规模数据集Kinetics-skeleton上获得了31.1%的Top-1分类准确率,相比原模型提升了0.4%;在NTU-RGB+D的两个子数据集上分别获得了83.7%和91.6%的Top-1性能指标,相比原模型提升了2.3%和3.3%;在真实场景下,所提模型对动作变化明显且区别大的动作如俯卧撑和慢跑识别率高,对局部运动和动作变化相近的动作如鼓掌和摇头识别率偏低,尚有进一步提高的空间。

基于骨骼关键点的人体行为识别算法

当前,人体行为识别在视频监控等多领域得到了重要的应用。针对传统的算法检测所呈现出的不足之处如准确性差、易受环境背景影响等问题,采用基于骨骼与关键点的方式进行行为识别。首先,使用人体姿态估计算法Openpose获取视频中人体各个关节点的坐标信息,然后通过时空图卷积神经网络(Spatial-Temporal Graph Convolution Networks,ST-GCN)进行人体行为识别。为了提高识别精度,在原有算法上加入通道注意力机制。实验结果表明,所提的算法在NTU-RGB+D数据集上,C-SUB和C-VIEW的top-1分别取得83.62%与90.86%的精度,相比ST-GCN分别提升了2.12%和2.56%。在自建数据集上,所提算法得到了78.33%的精度,相比ST-GCN的71.67%,提高了6.66%。

转基因植物中外源非目的基因片段的生物安全研究进展

The biosafety of genetically engineered plants has been of concernment in society and science in recent years. The issue of 35S promoter of CaMV has been contentious because of its wide use in plant genetic engineering. The debate on the safety and potential risks of the 35S promoter will be discussed here. Some of concerns are expressed about the dissemination of antibiotic_resistance genes and vector backbone sequences. Various methods and strategies are currently being developed for the marker gene excision and elimination of vector backbone sequences from transgenic plants. In this review, the CRE/ lox system which could get rid of the marker geens and vector backbone sequences will be discussed in detail. Advances in the research of the safety assessment of genetically modified plants using the CRE/ lox system will also be described.

融合注意力机制的LSTM-GCN网络人体行为识别

针对现有人体骨架行为识别方法中因只侧重于视频数据中时间或空间信息的单独提取而存在的时空特征提取不充分的问题,提出一种融合注意力机制的LSTM-GCN网络。该网络设计为LSTM层和图卷积层两层,其中LSTM层重点提取骨架序列的时间信息,图卷积层重点提取骨架序列的空间信息。同时在两个网络层中融入了注意力机制,并按人体骨骼点对整体动作贡献程度对其分配不同的权重,实现了对数据中显著特征及关键帧的增强识别。两个网络层按一定的比重融合后利用Softmax对动作进行分类识别。为验证该方法的优越性,在Kinetics和NTU-RGB+D两个比较典型的公开数据集上进行了仿真实验和消融实验。同时录制了一些相似度高、易混淆的视频,并对其识别结果可视化,再次证明该方法的普适性。实验结果表明该方法可以有效增强人体骨骼行为识别性能,并在计算精度和识别效率上具有一定的优势。

基于多描述子特征编码的人体行为识别

针对采用单一描述子和单一特征编码方法导致三维人体骨架序列的行为识别率较低的问题,提出一种基于多描述子特征编码的方法。首先,从三维人体骨架序列中分别提取运动姿态描述子和角度描述子。然后,对每种描述子分别进行向量量化编码、稀疏编码和局部约束线性编码,从而获得六种特征。最后,根据这六种特征分别构造线性分类器,通过投票机制得到最终的识别结果。为了验证所提方法的有效性,在三维人体骨架序列行为数据集MSR Action3D上进行了实验,实验结果表明该方法的识别率为94.9%,并且高于其他方法的识别率。

微环载体与基因治疗

基因治疗是将有治疗作用或正常基因的DNA序列导入靶细胞,通过纠正基因缺陷或发挥治疗作用而达到治疗疾病的目的。基因治疗的关键技术之一是研发用于真核细胞转移基因的安全有效的载体系统。病毒和非病毒载体系统均有各自的优势和缺点。微环载体是一种来源于质粒DNA的新型的较小的超螺旋表达元件,通过在大肠杆菌体内发生位点特异性结合而产生,并已应用于基因治疗。由于微环载体缺乏原核DNA骨架序列,如抗生素基因、原核复制起始点等,可提高治疗基因表达水平、基因治疗的安全性及降低炎症反应。本文就微环载体的产生、提高转基因表达的机制及在基因治疗中的应用作一综述。

基于全局时空编码网络的猴类动物行为识别

猴类动物行为的准确量化是临床前药物安全评价的一个基本目标。视频中猴类动物行为分析的一个重要路径是使用目标的骨架序列信息,然而现有的大部分骨架行为识别方法通常在时间和空间维度分别提取骨架序列的特征,忽略了骨架拓扑结构在时空维度的整体性。针对该问题,提出了一种基于全局时空编码网络(GSTEN)的骨架行为识别方法。该方法在时空图卷积网络(ST-GCN)的基础上,并行插入全局标志生成器(GTG)和全局时空编码器(GSTE)来提取时间和空间维度的全局特征。为了验证提出的GSTEN性能,在自建的猴类动物行为识别数据集上开展实验。实验结果表明,该网络在基本不增加模型参数量的情况下,准确率指标达到76.54%,相较于基准模型ST-GCN提升6.79%。

DCNN-DGML融合深度神经网络步态识别算法

针对骨架步态识别任务中步态信息时空关联性弱和易受复杂背景干扰的问题,该文提出一种基于深度卷积神经网络和动态门记忆学习(DCNN-DGML)的骨架步态识别算法。首先根据步态运动规律建立端到端的步态识别模型;其次为了实现多层特征语义信息的融合,该模型中设计了多层特征融合机制改进GoogleNet;同时,在LSTM的基础上设计了一种动态门记忆学习结构来记录时序信息,以提升特征的鲁棒性。为了评估提出的DCNNDGML步态识别系统,在自建数据库上进行了实验研究,识别精度达到97%,结果明显优于传统步态识别方法。

边云协同计算下基于ST-GCN的监控视频行为识别机制

智慧城市的迅速发展为人们的日常生活带来了极大的便捷,其中视频监控系统越来越智能化是信息技术逐渐成熟的必然结果.人体行为识别是智能安防监控领域的重要任务之一,但大量的边缘监控设备产生了井喷式图像视频数据,传统单一的云计算模式已无法全面有效地应对海量数据的计算与处理.提出一种大数据驱动下采用边云协同计算的人体行为识别机制,将以往中心化的计算扩展为边缘、云端协同处理.首先,在边缘节点n0对视频进行相似帧去除的预处理并对提取的骨架序列进行多层次表不,然后云端对时空图卷积神经网络(Spatial Temporal Graph ConvNet,ST-GCN)模型进行训练并将其部署至边缘节点N1-Nm,边缘节点使用训练好的模型完成行为识别任务并将结果上传至云端进行融合得出最终行为类别.实验结果证明,所提方案能有效减少以往中心化计算的网络传输量及云端存储压力问题,且边云协同的优势使得模型识别的准确率稳定提升了2.2%以上.