基于STGCN算法的视频图像人体动作轮廓动态识别

人体动作轮廓在视频中的呈现具有多样性和连续性。人体动作不仅涉及到时间上的变化,还包括空间上的位置关系,受其姿势、速度、方向等影响。人体动作时空信息之间的关联难以充分捕捉,导致动作轮廓识别精度较低。为此,引入时空图卷积网络(STGCN)算法,提出一种视频图像人体动作轮廓动态识别方法。文中采用OpenPose模型从视频图像中提取描述关节点位置的置信图和描述人体关节间连接情况的二维矢量场,构建人体动作骨架图。结合视频帧时间序列组建人体动作骨架时空图,将其作为STGCN模型的输入,通过时空图卷积操作充分捕捉人体动作的时空特征后,采用Softmax层获取动态识别到的视频图像人体动作轮廓;并在STGCN模型中引入两种注意力模块,强化网络特征提取能力,提高动作轮廓识别精度。实验结果表明,所提方法可以有效实现视频图像人体动作轮廓的动态识别,引入的两种注意力模块对STGCN模型进行改进,可提升其动作轮廓识别效果。

基于改进稠密网络的视频监控人脸识别算法研究

为了提升视频监控中的人脸识别能力,研究利用运动历史图像算法来实现人体跟踪,提出了一种改进稠密网络。在结果中显示,研究采用的人体跟踪算法的跟踪准确率高达99.5%,同时提出的识别算法的识别准确率能够稳定在99.7%以上,且能够针对不同表情特征的人脸表现出较高的识别准确率。以上结果表明,改进稠密网络能够有效提升视频监控人脸识别能力,对城市监控的智能化发展具有重要意义。

人体运动的区域跟踪及部位自动识别

结合对人体运动过程进行序列图像分析处理的例子，给出了一种应用于运动人体的区域预测跟踪方法及适用于运动人体部位的特征点的选取方法，并给出其匹配算法。

ISAR机动目标的平动补偿和瞬时成像研究

机动目标成像近年来受到广泛注意 .本文首先讨论平动补偿 ,它通常可以分解为两步进行──包络对齐和自聚焦 ,分析表明 ,针对平稳目标的包络对齐方法仍然适用于机动目标 ,而根据相干积累原理 ,已有的自聚焦方法从理论上和实际上都不是最优的 ,我们提出适用于机动目标和平稳目标的迭代相干积累自聚焦 (ICSA)算法 ,PGA(相位梯度算法 )是ICSA算法的一个特例 ;然后 ,本文讨论机动目标的瞬时成像 ,它实际上是一个瞬时谱估计问题 ,已有的一些瞬时成像方法只适用于散射点子回波为线性调频信号 (多普勒分布为直线 ) .针对时频分布为非直线的情况 ,我们提出用自适应窗短时chirplet分解方法估计信号的瞬时频率和瞬时幅度 ,并结合“洁净”技术 ,提出了快速自适应窗短时chirplet分解成像 (ACDI)算法 .

一种运动图像标志点识别跟踪方法的研究

提出了一种运动跟踪方法。该方法通过对人体目标图像进行差分消影和遗传恢复 ,能够从自由背景中识别出人体运动图像的标志点 ,可以提高基于普通摄像机的人体运动分析系统对环境的适应性。初步的应用结果表明 ,这种方法对实验环境要求低 ,鲁棒性强 ,识别率高 ,不仅可以用于人体运动分析 ,而且对在其它自由背景下运动目标的自动跟踪也有很大的应用潜力。

基于双特征融合与自适应提升机制的图像动作识别算法

针对复杂环境中动作识别易受到光照变化、目标旋转,遮挡等导致目标位置不精确,目标漂移以及识别错误等问题,提出了一种基于双特征融合与自适应提升的动作识别算法。首先,基于时空上下文(spatio-temporal context,STC)机制,通过时空上下文关系与视觉系统特性来提取图像序列特征,降低光照变化、遮挡对行为动作的影响;同时,利用卷积神经网络(convolution neural network,CNN)来处理图像序列,分别获得STC特征与CNN特征;其次,引入主成分分析算子,定义双特征融合规则,对获得STC特征与CNN特征进行组合,形成一种更准确、完整的特征表示;然后,通过得到的新特征,利用自适应提升算法(adaptive boosting algorithm,ABA)进行分类训练,完成对行为动作决策判断。在Weizmann、Hollywood数据集上测试表明,相对于当前常用的动作识别方法,所提算法对各种行为动作具有更高的识别精度与鲁棒性,更能适应复杂背景和动作变化。所提算法具有较高的人体动作识别精度,在视频监测、人机交互等领域具有一定的应用价值。

基于鱼群算法的体育运动员高强运动损伤图像识别研究

运动员经过高强度的体育训练难免会受到损伤,在治疗时需要对其损伤图像进行识别,然而当前有些识别方法的效率和精确度不高,于是文章将研究基于鱼群算法的体育运动员高强运动损伤图像识别,首先对损伤部位轮廓进行提取,然后获得对损伤图像进行初步识别,最后基于鱼群算法对图像进一步识别。通过实验研究,与其他识别方式相比,基于鱼群算法的识别方式具有更高的准确度和效率。