基于视频的排球智能分析系统的研究与实现

以排球运动轨迹为研究对象,将计算机视觉、视频分析处理技术相结合,研究了基于视频的排球轨迹获取关键技术,通过视频帧处理、运动目标检测、识别跟踪、轨迹提取等一系列步骤从视频中精准提取排球运动轨迹信息,采用Intel Open CV及Matlab设计并实现一套排球智能分析系统,为排球比赛分析及球队战术训练等提供决策支持.     

手写体汉字集成识别技术的研究

手写体汉字的计算机自动识别是一个高难度的模式识别问题,用单一识别方法难以达到理想的识别率.本文首先分析了汉字识别方法的基本特点以及字符集成识别技术中存在的问题,然后结合认知科学的研究成果,提出了手写体汉字层次集成识别的思想.     

一种基于MHI和支持向量机的人体动作识别方法

针对人体动作识别问题,研究了一种基于运动历史图像(Motion History Images,MHI)的人体动作识别方法。利用从运动图像序列获得的MHI图像获取视频帧中运动目标的运动特征,由运动特征的变化分类确定人体动作种类,同时给出相应的实验结果。     

基于3D卷积神经网络的人体行为识别方法

为了提高视频中人体行为识别的准确率,更好地利用视频中的原始信息,提取出更具有代表性的特征,提出一种基于3D卷积神经网络的人体行为识别方法。该方法构建了一个深层三维卷积神经网络模型,使用三维卷积核进行卷积操作,提取视频中人体行为的时域和空域特征,通过多层卷积操作对底层特征进行再组合,得到抽象的高维特征。在KTH数据集上的实验结果表明,该方法有较好的识别效果。     

双流融合的动作识别方法研究

为了有效改善传统动作识别方法中输入数据信息单一导致的识别率偏低等问题,提出一种结合视频数据和骨骼数据的双流融合方法.基于两种不同的深度学习网络,分别对视频数据与骨骼数据进行识别并将两者输出的概率加以融合,实现信息融合效果.在公开数据集NTU RGB+D上进行测试,达到83.76％的识别精度.该方法在一定程度上实现了不同...     

人体步态特征生物识别方法研究

人体行走步态特征是一类重要的生物特征,基于步态特征实现生物识别的方法具有较多优势.在分析人体行走步态特征的基础上,讨论了当前步态识别研究中采用的视频获取、目标提取、步态特征检测以及分类识别的主要技术,研究了基于雷达的步态信号提取方法并给出了实验步态信号时频分析结果;分析了当前研究中存在的主要难点.提出了基于视频、雷达等多传感器数据融合提高步态识别能力的方法,讨论了步态识别的应用领域和前景.     

基于网格外围特征的平假名识别及应用

脱机手写体识别是字符识别中的难点之一,日文中的平假名类似于中文的手写体草书.为解决该问题,首先,针对日文平假名字符的特点提出了一种基于网格的外围特征提取方法,其次,考虑到了不同特征的分类能力的差异性,提出了一种基于支持向量机的多特征融合的识别方法,提高了识别率.最后,针对日文车牌中的6 735个平假名样本和4 145个数样本字进行了识别实验.实验结果表明,该方法的识别率可达98%左右,优于距离分类器及神经元网络的方法,具有实际应用的价值.     

基于神经网络的姿态识别算法

公共场所视频监控网络部署日益完善,智能视频监控技术在安防、交通等领域作用越来越大。针对视频监控数据中的人类目标,提出一种基于计算机视觉的姿态识别方法。通过YOLO算法和AlphaPose模型完成对视频中人类目标检测识别以及姿态估计,在此基础上分析人体关节之间的角度对姿态分类的影响,从中提取有效的分类特征,构造并训练5层神经网络模型,完成对站、坐、躺最常见3种姿态分类。实验结果表明,训练得到的神经网络模型准确率达到85%以上,识别速率大约为每秒30帧,在安防监控、检测人员摔倒、疾病报警等方面具有一定应用价值。     

基于能量加权的子带杂交法在掌纹识别中的应用

在掌纹采集过程中,由于受光照噪声的影响,以及手掌的弓形常常给掌纹采集带来噪声.基于此,提出小波变换子带杂交的一种新颖掌纹识别算法.该算法综合考虑小波同层各子带及相邻层子带分解系数的噪声特点,采用基于掌纹图像空间能量加权,再由二维主元分析(Two-dimensional Principle component Analysis,2DPCA)算法降维、去相关,最终由最小距离分类器完成掌纹识别.基于香港理工大学公布的PolyU掌纹数据库的实验,此算法正确识别率达到100%.同2DPCA算法相比,提出的算法不仅正确识别率较高,识别效率也较高.     

基于矢量量化的说话人识别

说话人识别可以看作语音识别的一种,本文研究了MFCC参数的提取方法,并对矢量量化VQ的识别模型进行了讨论,设计出了一种可行的识别方法,通过验证,这种方法对于文本有关的说话人识别,可达到较高的识别率.     

基于异构多处理器和深度学习算法的篮球运动图像目标检测

篮球高难度动作识别技术的分析主要是识别和分析篮球运动员在视频中的身体行为.视频识别的目的是提高篮球训练水平.然而,传统的运动目标识别受到场景、动态背景和技术的限制,不能达到预期的效果.因此,本文开发了一种基于深度卷积神经网络的大数据运动目标检测系统,其主要用于篮球运动图像检测.其使用卷积神经网络的高分辨能力来提取图像,以执行计算预处理来识别视频流中的每个人体运动的图像.然后,采用基于Bi-LSTM模型的骨骼识别算法对人体关键点进行检测.最后,开发了一个目标检测系统来重建每个运动.通过选取五组可能导致运动损伤的高难度动作进行实验,结果表明该目标检测系统可以有效提高篮球动作目标识别的准确性,并有助于减少运动员伤病.     

一种联机手写汉字识别算法的研究与实现

联机手写汉字识别(On-line handwritten Chinese character recognition，简称OLCCR)，是指用笔在图形输入板上写字，人一面写，机器一面认，是一种方便的汉字识别手段，是在各种自动识别输入的方法中，能够代替或部分代替人工编码输入的惟一可能的方法。设计了一种基于获取笔段序列的联机手写汉字识别方法，并用可视化编程工具VC 6．0实现了该算法，经测试，平均识别率达95．7％。     

基于样本轨迹的Kinect手势识别算法

实现基于序列图像的手势轨迹识别,提出一种基于位置关系的手势轨迹识别方法,利用Kinect体感设备传感器提取轨迹序列,分析坐标序列的轨迹样本,通过黄金分割实现轨迹的匹配与识别。实验结果证明,该方法能有效识别手势轨迹。     

基于时空图卷积网络改进的人体行为识别方法

针对目前利用时空图卷积网络ST-GCN行为识别模型进行人体行为识别准确性有待提高和如何更好地学习骨骼数据中关节点和骨架边所表达的动作特征等问题,改进现有的时空图卷积网络（ST-GCN）行为识别模型。首先,使用有向图来表示关节点和骨骼边的信息以及它们之间的依赖关系,提取相邻帧的关节位置差异作为运动信息;其次,使用双流框架分别学习运动信息和空间信息,进行融合提高识别性能;最后,使用注意力权重矩阵让图的拓扑结构具有自适应性,增大节点的感受野,使网络能够学习到远端关节之间的语义信息,更好的捕捉动作特征。将所提出的方法在NTURGB+D数据集上进行实验。研究结果表明,采用基于时空图卷积网络改进的人体行为识别方法在数据集上达到了96%的准确率,与现有ST-GCN模型相比,准确率提高了。此方法可进一步促进人体行为识别技术在智能家居、智能监控安防、人机交互、基于内容的视频检索、智慧城市发展等领域的广泛应用。     

基于BP神经网络的体育视频关键姿态检测

为了运动员和教练员能够进行更加高效地训练,面向举重运动视频,采用分级分块背景估计法进行人体目标检测,根据边缘特征来完成目标的特征提取,利用改进的BP神经网络对举重运动中常见的四种人体姿态进行识别。仿真结果表明,本算法可以较为准确的识别出举重运动中四种常见的人体姿态。本技术还可适用于其他体育项目视频关键姿态的检测,提高体育运动的技能。     

分层特征组的行为识别（英文）

为提高视频人体行为识别的性能,提出了一种分层建模行为的方法.该分层模型根据人体运动的属性概述不同时空域的行为内容.首先,利用时间梯度并结合连贯的运动模式约束提取稳定、密集的运动特征作为点特征;然后,采用自适应尺度核的mean-shift聚类算法标定这些特征.具有同一标签的特征组通过最大池运算产生身体部分表示后,累积大尺度的视频体内视觉词响应作为视频对象的表示.在基准的KTH和UCF-sports行为数据库上,实验结果表明所提方法增强了行为特征的代表性和判别能力,同时提高了识别率.与其他相关文献相比,所提方法获得了优越的识别性能.     

基于支持向量机与谱特征的数字信号识别

由于已有的调制识别方法存在提取的特征参数多、计算量复杂等不足,现提出一种将支持向量机与谱特征结合的方法,该法不仅提取的特征参数少,对噪声不敏感,计算量小,而且还通过设计分级的支持向量机分类器提高了识别率．仿真实验表明,这种方法比普通的阈值法在识别率方面有明显的改善．     

基于Kinect深度图像信息的手势轨迹识别及应用

本文提出了一种新型的利用Kinect获取深度图像并进行手势轨迹识别的应用方法,该方法称为HMM(隐马尔可夫)手势轨迹识别方法,具体操作步骤为:首先利用Kinect传感器获取深度图像,然后通过OpenNI的手势生成器的手势分析模块获取完整的手势信息,对手部进行形态学处理,识别并跟踪手势,提取手势轨迹,最后运用HMM手势轨迹识别方法进行识别.实践证明,该方法可快速有效地实现手势轨迹的识别.     

融入帧间差分法的深度学习目标识别仿真研究

目标检测与识别是数字图像处理实验的创新性实验项目。传统的目标识别算法可以识别目标类型,但不能识别目标的位置信息,且对相同目标的识别率较低。该文设计了一种基于帧间差分法的深度学习目标识别算法,即在深度学习理论构架下,将帧间差分法融入识别过程,补充增强候选框分割图像,通过NMS算法对候选框进行筛选。仿真结果表明,该算法在识别目标种类的同时还能对目标在图像中的位置进行精确标定,并可判断目标是否处于运动状态,具有较高的识别率。     

基于Leap Motion手势识别机械臂的研究

提出了一种基于Leap Motion识别手势控制机械臂的方法.该方法首先使用Leap Motion对人体手部深度点云信息进行提取,获得手部位姿态、手指位姿以及手势识别.然后将手部各关节点的空间姿态坐标转换为机械臂每个关节的控制角度.最后通过串口与下位机Arduino进行信息交互,实现机械臂向前、左右、抓取等动作.实验表明,该方法可以准确识别人体手势,实时控制机械臂.