基于神经网络的人体动态行为智能识别方法

针对传统方法的人体动态行为智能识别方法存在识别率较低等问题,提出基于神经网络的人体动态行为智能识别方法。对人体动态行为数据预处理,并构建人工神经网络模型,实现人工神经网络训练以及特征提取;将视频的光流图像放置于卷积神经网络模型中,获取图像的时域特征;融合人工神经网络特征与时域特征,并将其放入SVM中进行类别划分,实现基于神经网络的人体动态行为智能识别。仿真实验研究结果表明,所提方法能够有效提升人体动态行为识别准确率,并且整个方法的综合性能较好。     

结合CNN的人体行为识别特征特取模型的改进

人体行为识别是计算机视觉研究的一个热点,其目标是从一个未知的视频或者是图像序列中自动分析其中正在进行的行为。针对目前人体行为识别过程中特征提取仍旧存在的参数过多、特征提取效果不好等缺陷,本文在RBM模型的基础上提出一种结合卷积神经网络的特征提取模型,在人体行为测试库上的测试表明,本文提出的卷积条件限制玻尔兹曼模型能在人体行为识别的准确度上优于RBM模型。     

基于多时间尺度的深度学习行为识别研究

卷积神经网络在图像领域取得的成功,也促使图像域的方法和卷积神经网络结构扩展到视频域,推动了包括视频行为识别在内的视频域任务的发展。虽然卷积神经网络在行为识别方面得到了不错的成绩,但是就目前来看,卷积神经网络的深度信息都来自于单时间尺度,比如单一视频帧、一定数量的视频帧叠加的堆叠帧或者是一段视频以固定长度分割等。但是从实际来看,一个实际行为的判断应该包括不同时间尺度的信息,所以用于行为识别的视频帧也不应该是单时间尺度的视频帧。所以本文的中心思路是利用多时间尺度来进行行为识别。     

基于流形学习的人体异常行为识别方法

人的每项活动都通过人体行为体现,而对人体的异常行为监控是监控系统主要工作。文章提出视频监控基于流形学习的人体异常行为的智能化识别,研究提出了流形学习的2D2MSD新算法来增强算法的行为分类能力,通过实验验证新算法可提高识别率和鲁棒性,对降维后的数据也能够很好地保留鉴别信息。     

基于深度学习模型的花卉种类识别

提出了一种新的带有多个隐层的深度卷积神经网络,用于非刚性物体的识别。以花卉识别为例子向导,通过分析本文提出的深度神经网络架构、卷积和池化方法以及反向传播误差等主要方法,构造出了一个全新的深度卷积识别模型。通过针对Image Net数据库中的80类花卉图像做训练和识别,在实验过程中与传统神经网络和支持向量机做比较,结果表明本文提出的算法能够提升花卉识别10%以上的识别率,提升效果明显。     

基于改进卷积神经网络的人脸识别算法

针对经典人脸识别卷积神经网络(CNN)结构中因网络层次设计过深导致计算量大且训练耗时长的问题,设计一种改进的卷积神经网络结构,该结构由3个卷积层、3个池化层、1个全连接层和1个分类层组成。利用Softmax回归算法进行人脸分类识别,卷积神经网络在输出层利用改进的Softmax进行分类。实验结果表明:在AR人脸库上,所述方法的识别率接近100%,优于传统人脸识别方法,其训练速度也明显快于普通的卷积神经网络,验证了改进方法的有效性。     

基于深度学习的图像识别研究

图像识别技术是人工智能的一个重要领域,传统的图像识别方法需要人工设计特征,而深度学习属于神经网络结构,它能够从大数据中自动学习特征,极大的提高了识别准确率以及效率。因此本文着重研究了基于深度学习的图像识别方法,并探讨了卷积神经网络以及深度信念网络的基本模型和原理。     

面向特定场景的行为识别算法的研究

本文对深度学习在行为识别中的应用进行了研究。本研究进行的创新主要体现为以下两个方面:首先提出了将骨架信息与卷积网络相融合的行为识别模型。其次在网络中设计了一个新颖的时空卷积模块并创新性地引入了注意力机制,用于对人体骨架运动情况进行时空相关性建模。     

基于卷积神经网络的电力开关柜柜门开合状态图像识别研究

高压开关柜的安全运行是电力行业的重要部分,开关柜柜门因操作人员疏忽而未关闭会造成比较严重的安全隐患。卷积神经网络算法因其可以最大化地保留图像整体特征和局部特征,而成为目前图像识别领域的研究热点。本文设计了一个轻量级的卷积神经网络,具有7层卷积层的特征分类学习模块和3层卷积层的目标检测学习模块。通过对比3×3和5×5两种卷积核的识别结果可知,3×3卷积核在识别准确率和内存消耗方面具有更佳的效果,说明本文方法具有有效性,可应用于电力安全保障领域中。     

基于卷积神经网络的调制样式识别

随着科学技术的进步,调制样式识别应用越来越广,信号调制是将原始的基带信号的频谱搬移到适合在信道中进行的传输的通带内的过程。大多数通信系统调制样式识别分为人工手动识别和机器自动识别,与人工手动识别相比,基于卷积神经网络自动识别提取数据特征的方法不仅识别率高,而且准确率更高,因此研究卷积神经网络调制样式识别具有非常重大意义。     

一种基于人体动作控制的智能系统

人体动作控制的智能系统设计是集计算机视觉与硬件系统设计于一体的综合性研究课题。本文基于视频图像的目标行为分析,以人体动作检测与识别为研究重点,在实现动作识别的基础上完成人机交互功能的扩展。在软件算法部分,本文采用了背景减除法与分水岭算法相结合的运动目标前景提取方法。针对人体动作的识别分类,采用了HOG特征提取方法和多分类SVM分类器进行分类,以实现对目标动作的识别。     

人体行为识别方法研究

<正>本文针对常用基于RGB和RGBD的人体行为识别数据库特点,提出对不同识别方法如何选择行为识别的数据库的观点。在人体行为识别行业起到作用。分析视频中人体的行为是行为识别研究的重要内容,作为计算机视觉范畴的重要研究课题,行为识别不仅具有重要的科学意义,而且具有十分关键的现实应用价值,对我们的生产生活有很大影响。一方面,现在的电脑计算能力越来越强大,另一方面,它的价格却越来越便宜。计算机的出现和使用,最大限度地减轻了人的压力,避免了人力和物力的浪     

基于鸟鸣声及深度学习的鸟类识别方法研究

针对基于鸟鸣声的鸟类识别问题,提出一种基于自适应最优核时频分布(adaptive optimal kernal,AOK)与卷积神经网络(convolutional neural network,CNN)的鸟类识别方法.首先对采集的鸟鸣声信号进行预处理,获取对应鸟类的音节后对样本进行数据增强处理,然后通过AOK时频分析方法,得到鸟鸣声音信号的自适应频谱图,分析鸟鸣声信号不同时间和不同频率下的能量分布,通过时频谱图对卷积网络模型进行训练,并进行实时预测.对20种常见鸟类的实验表明,在少量初始样本的情况下,总体识别率也可达到95.5％,并且通过对同一科目和不同科目下的鸟类鸣声分析发现,采用时频图结合卷积神经网络的方法对鸟类鸣声进行识别,提取的特征参数代表性更强,识别准确较好,具有较好泛化性.     

基于视频的动作识别研究

基于视觉的人体行为分析是计算机视觉领域中最活跃的研究课题之一。它在智能视频监控、高级人机交互、基于内容的视频检索等方面有着广泛的应用前景。从人体行为的分类以及现有数据库两个方面对动作识别进行了介绍。     

基于Tensorflow框架的手写数字识别

手写体数字0-9的识别在原始数据集的获取上较为容易,拥有MNIST的这种成熟的大型标准数据集,已经被视为是人工智能图像识别领域研究的入门问题,对其进行研究具有重要的现实意义。在众多的识别算法中,卷积神经网络在识别精度上的表现较为突出,而深度学习框架的出现在一定程度上降低了神经网络模型构建的难度和入学门槛。本文基于Tensorflow深度学习框架,详细讨论了如何构建LeNet-5卷积神经网络模型实现手写体数字识别的方法,使用MNIST数据集进行模型的训练与评估。     

基于迁移学习ResNet50的表情识别

<正>为提高人脸表情识别效果,提出基于迁移学习和数据增强技术的人脸表情识别方法。在ResNet50卷积神经网络的基础上,保留了愿网络的卷积层并设计了全新的全连接层。对数据集的训练集图片使用Keras中翻转、偏移、旋转等方式达到数据增强,在相同参数和实验环境下,对7种人脸表情的分类效果优于AlexNet、GoogleNet模型。实验结果：基于迁移学习的ResNet50模型在FER2013的测试集上对各类表情的平均识别率为68.7%,达到了主流识别效果。     

基于RBF神经网络的数字图像识别方法在交通检测中的应用

本文介绍了数字图像处理与模式识别在交通的应用领域及其重要意义,针对传统图像处理算法以及BP神经网络对数字图像识别存在的缺陷,提出了一种以RBF神经网络为识别模型的数字图像模式识别方法。通过Matlab仿真结果表明:该方法具有识别率高、识别速度快等优点,在交通检测领域具有广阔的应用推广前景。     

基于图像识别的阅卷平台设计

为降低考试阅卷对专用识别设备与答题卡的要求、消除阅卷中的计分误差,依据传统阅卷环节设计了一种基于图像识别的阅卷平台。计分区域图像经图像预处理、倾斜校正、图像分割、卷积神经网络识别后获得试卷总分。与单一的卷积神经网络相比,该方法有效提高了手写数字的识别率及鲁棒性。在实际阅卷测试中,相比于传统阅卷,该平台优化了阅卷环节,降低了阅卷中的人为失误,减少了对人力、物力资源的浪费。最后,通过服务器搭建端对端的信息传递平台,完成了阅卷平台小型化、智能化的设计。     

浅析卷积神经网络

深度学习目前成为了计算机科学领域最热门的技术,在图像处理领域,基于卷积神经网络的图像识别得到了深入的研究,本文介绍了卷积神经网络的基本概念、结构。     

基于激光点云3D检测的车辆外廓尺寸测量研究

为了维持良好的车辆生产和交通运输发展,有必要对车辆的非法改装以及超载超限行为进行有力的遏制,车辆外廓尺寸测量则是一种重要识别车辆非法改装的方法。通过提取车辆的激光点云数据,按一定的规则形成对应的点云鸟瞰图,运用深度学习中的卷积神经网络对点云鸟瞰图进行模型训练,使模型对车辆具有快速、准确的识别效果。识别得到的包围框通过坐标像素的转换可求得车辆的长、宽、高,达到车辆外廓尺寸的测量结果,并可转换为3D检测效果。通过试验表明,提出的基于激光点云3D检测的车辆外廓尺寸测量方法测量精度损失较小,检测效率高于传统测量方法。