使用GMM背景减除的红外伪装人体目标快速识别算法

合集下载

基于低分辨率红外阵列传感器的人体识别算法

基于低分辨率红外阵列传感器的人体识别算法耿建平;黄文广【期刊名称】《传感技术学报》【年(卷),期】2022(35)7【摘要】在人体检测方面,低分辨率阵列传感器的使用越来越广泛。

现有自适应背景估计和帧间方差法的共同缺点是无法在含高频率红外信号的外部环境干扰下对人体进行准确识别。

帧间方差法通过采用每帧之间的方差差值与阈值对比来实现人体检测,无法区分外部环境的高频率温度干扰。

自适应背景估计通过人体测量温度和背景温度的差值与阈值对比来实现人体检测,外部热源会提高背景温度,减小与人体温度的差值,并且无法区分外部环境的高频率温度干扰,无法对人体进行准确识别。

针对此缺点,通过卡尔曼滤波算法消除了信号中包含的白噪声干扰。

通过EMD算法进行分解的过程,实现了对IMF分量进行分析处理,解决了外部热源红外信号、人体红外信号、高频率红外信号无法区分的难题。

通过小波变换和重组算法,简化了部分IMF分量需要重复使用EMD算法分解,对红外信号进行区分。

实验结果表明,所提出的算法不仅提高了在含高频率红外信号外部环境干扰下人体正确识别的准确度,也提高了其他外部环境情况下人体正确识别的准确度,在含高频率红外信号外部环境干扰下识别准确率可达到98.85%,在无高频率红外信号外部环境干扰下准确率可达到99.65%,在无外部环境干扰下准确率可达到99.95%。

【总页数】6页(P925-930)【作者】耿建平;黄文广【作者单位】桂林电子科技大学电子工程与自动化学院【正文语种】中文【中图分类】TP391;TH89【相关文献】1.基于卟啉传感器阵列系统的肺癌标志物识别算法2.基于屋顶二值红外传感器网络的人体定位和行为识别系统设计3.基于低分辨率红外阵列传感器的人体身份和动作识别4.基于红外阵列传感器的人体行为识别系统研究5.基于低分辨率红外传感器的深度学习动作识别方法因版权原因，仅展示原文概要，查看原文内容请购买。

红外图像处理中的目标检测算法研究

红外图像处理中的目标检测算法研究近年来，随着红外技术的不断发展，红外图像在军事、航空、遥感等领域中得到了广泛的应用。

而红外图像的主要特点是其对温度敏感，同时在空间和时间上均具有良好的分辨能力，因此它在目标检测中的应用也越来越广泛。

本文就探讨红外图像处理中的目标检测算法的研究进展。

一、红外图像处理中的目标检测算法概述目标检测算法是指通过对图像中的目标进行分析、处理，确定目标的位置、尺寸、形状、数量等信息。

在红外图像处理中，目标检测算法主要有以下几种：1. 基于滤波的目标检测算法滤波是图像处理中常用的一种处理方法。

基于滤波的目标检测算法一般采用各种卷积核对红外图像进行处理，通过滤波后图像的变化来确定目标的位置和尺寸。

这种方法简单易懂，但对目标的形状等特征提取不够精细，因此准确性有限。

2. 基于特征提取的目标检测算法特征提取是指从图像中提取出一些具有代表性的局部结构，为之后的分析和处理提供基础。

基于特征提取的目标检测算法采用各种特征提取方法对红外图像进行处理，通过提取出图像中的一些特征结构来确定目标的位置、尺寸、形状等信息。

这种方法相对于基于滤波的方法来说，可以提取出更为精细的目标特征，因此准确率更高。

3. 基于机器学习的目标检测算法基于机器学习的目标检测算法采用各种机器学习算法对大量的样本数据进行训练，从而达到对红外图像中目标的自动检测。

这种方法因为其在识别复杂目标方面的良好性能，引起了研究者们的广泛关注。

二、基于滤波的目标检测算法基于滤波的目标检测算法一般常用的方法是基于高斯滤波的算法。

之所以采用高斯滤波是因为，高斯滤波涉及到了频率域的平滑处理，通常情况下红外图像具有一定的噪声，采用高斯滤波可以有效去除噪声，从而提高目标检测的准确率。

基于高斯滤波的目标检测算法主要是通过建立一种高斯模型来检测图像中的目标。

该算法首先需要对图像进行高斯滤波，去除噪声，之后在滤波后的图像中连续分割出较明显的连通区域，基于这些连通区域建立模型，判别出其中的热点区，完成对目标的检测。

基于数字图像处理算法的红外伪装效果综合评价

精品文档供您编辑修改使用专业品质权威编制人：______________审核人：______________审批人：______________编制单位：____________编制时间：____________序言下载提示：该文档是本团队精心编制而成，希望大家下载或复制使用后，能够解决实际问题。

文档全文可编辑，以便您下载后可定制修改，请根据实际需要进行调整和使用，谢谢!同时，本团队为大家提供各种类型的经典资料，如办公资料、职场资料、生活资料、学习资料、课堂资料、阅读资料、知识资料、党建资料、教育资料、其他资料等等，想学习、参考、使用不同格式和写法的资料，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!And, this store provides various types of classic materials for everyone, such as office materials, workplace materials, lifestylematerials, learning materials, classroom materials, reading materials, knowledge materials, party building materials, educational materials, other materials, etc. If you want to learn about different data formats and writing methods, please pay attention!基于数字图像处理算法的红外伪装效果综合评判摘要：红外伪装技术是一种重要的隐身手段，其应用范围广泛，因此其伪装效果的评判显得尤为重要。

一种快速红外人体轮廓跟踪算法

ｃａｇｆｔｅｔｒｅｎｈｐｌｒｍｅｇｎｃｆｔｅｔｇｔａｄｌａｏｔｘｃｏｔｕｆｔｅｈｍａｏｙｈｎｅｏｈａｇｔａｄｔｅｓｉｏｒｅｅｏｈａｅ，ｎｅｄｔｈｅｅａｔｃｎｏｒｏｈｕｎｂｄ．ｔｒＫｅｏｄｓｉｒｅｍａｅｈｕｎｔａｋｎｇｄｙａｃｎｉｈｒｒｇｏ；ｆｓｅｅｅ；ｃｎｏｙＷｒ：ｎａｄｉｇ；ｆｒｍａｒｃｉ；ｎｍｉｅｇｂｏｅｉｎａｔｌｖｌｓｔｏｔｕｒ
中图分类号：Ｐ９Ｔ３１文献标识码：Ａ文章编号：０１４０２１）５０９－６１０ — ０（０１０－０５０２
Ｆａｔｃｎｏｒｃｎｌｏｉｈｍｏｕｍａｄｓｏｔｕｒｔａｋｉｇａｇｒｔｆｒｈｎｂｏｙ
平集算法的速度函数；后，用基于动态邻近区域的快速水平集来演化目标边界曲线以实现目标的轮廓然采
跟踪．实验结果表明，该算法能适应目标尺度的变化、目标的分裂或合并，并获得人体的精确轮廓．关键词：红外图像；人体跟踪；动态邻近区域；快速水平集；轮廓
ｒｇｎｆｔｅｅｓｇｒｈｒｏｅｉｐｐｒｘｅｉｎｓｈｗｔａｔｓｇｒｈａｄｐｅｓａｅｏｓｌｌｅａｏｔｐｏｓｉｔｓａｅ．Ｅｐｒｉａｖｔｌｉｍｐｄｎｈｍｅｔｓｏｔｈｏｉｍｃｎａａｔｏｈｌｈｉａｔｌｔｔｃｅ

用在红外热成像上的目标检测算法

红外热成像目标检测算法研究与应用红外热成像技术是一种利用物体热辐射差异进行成像的技术，广泛应用于军事、工业、医疗等领域。

其中，红外热成像目标检测是红外技术应用的一个重要分支，它能够在复杂背景下快速准确地检测出目标，为后续的识别、跟踪等任务提供重要支持。

一、红外热成像目标检测算法概述红外热成像目标检测算法的主要任务是从红外图像中识别出感兴趣的目标，通常包括点目标、面目标和扩展目标等。

这些目标在红外图像中表现为亮度、形状、纹理等特征的变化。

目标检测算法需要能够处理红外图像的噪声、对比度低等问题，同时实现对目标的快速准确检测。

二、红外热成像目标检测算法分类根据检测原理和实现方法的不同，红外热成像目标检测算法可分为以下几类：基于阈值的方法：通过设置合适的阈值，将图像中的目标与背景进行分离。

这种方法简单快速，但容易受到噪声和光照变化的影响。

基于滤波的方法：利用滤波器对红外图像进行预处理，提高目标与背景的对比度。

常见的滤波方法包括高斯滤波、中值滤波等。

基于特征的方法：提取目标的特征（如边缘、角点等），然后利用分类器（如支持向量机、神经网络等）对特征进行分类，从而实现目标检测。

这种方法对目标的形状、纹理等特征具有较强的描述能力，但计算复杂度较高。

基于深度学习的方法：利用深度学习模型（如卷积神经网络）对红外图像进行特征学习和分类。

这种方法能够自动提取目标的深层特征，具有较高的检测精度和鲁棒性，但需要大量的训练数据和计算资源。

三、红外热成像目标检测算法应用与挑战红外热成像目标检测算法在军事侦察、无人机导航、安防监控等领域具有广泛的应用前景。

然而，在实际应用中，红外热成像目标检测算法面临着诸多挑战，如复杂背景干扰、目标遮挡、光照变化等。

为了提高算法的鲁棒性和实时性，需要针对这些问题进行深入研究和技术创新。

四、总结与展望红外热成像目标检测算法作为红外技术应用的重要分支，在军事、工业等领域具有广泛的应用前景。

随着深度学习等技术的不断发展，红外热成像目标检测算法的性能将得到进一步提升，为实际应用提供更加可靠的支持。

基于GMM与KLT算法的运动目标检测与跟踪方法

基于GMM与KLT算法的运动目标检测与跟踪方法作者：梁硕娄莉张艳艳来源：《智能计算机与应用》2018年第02期摘要：在视频监控方面，存在着运动目标的各种行为，针对这种情况，提出一种基于GMM与KLT算法的运动目标检测与跟踪方法。

首先用基于GMM的背景减除法对运动目标进行检测，再通过形态学处理得到目标区域，然后对运动目标进行KLT特征点跟踪，最后根据特征点画出运动目标的运动轨迹。

实验证明该算法有良好的检测结果与跟踪效果。

关键词：运动目标检测；背景减除法；运动目标跟踪；GMM；KLTAbstract：In video surveillance there are various behaviors of moving objects. Aiming at this situation this paper proposes a method of moving object detection and tracking based on GMM and KLT algorithm. Firstly the background subtraction method based on GMM is used to detect the moving target and the target region is obtained by morphological processing. Then the moving target is tracked by KLT feature point. Finally the motion trajectory of the moving target is drawn according to the feature point. Experiments show that the algorithm has good detection result and tracking effect.Key words： moving target detection；background subtraction method；moving target tracking；GMM；KLT引言运动目标检测与跟踪是计算机视觉领域一个热门课题，在人工智能、模式识别、图像处理、医学成像等多个领域有着广泛的应用。

基于分块SIFT和GMM的人脸识别方法

基于分块SIFT和GMM的人脸识别方法肖振球;陈旭东;曾文华【摘要】The current face recognition methods have strict requirements on the acquisition environment, mostly based on invariant feature lattices, which are not universal.This paper presents a face recognition method based on partition SIFT and GMM.First, we extract SIFT features on the face as a whole and for each sub-block images, and use PCA method for reducing the dimension of features, to obtain face features that are robust and easy to distinguish;then according to the ideological of hypothesis testing, we use a common Background Model to describe the problem of biometric identification, and construct Background Model and Individuality Model by using GMM method and paired models generating method proposed in this paper.On this basis, we calculate the similarity between the sample to be identified and the one from registration database, compute the classification index, and execute hierarchical decision to achieve face recognition.Experiments show that the proposed method is robust to changes in the environment, and have good recognition performance.%当前人脸识别方法对采集环境要求严格,多是基于不变特征格,普适性不强.提出一种基于分块SIFT和GMM的人脸识别方法,首先在人脸整体和各分块图像上分别提取SIFT特征,并采用PCA方法进行降维处理,得到鲁棒性强和区分能力好的人脸特征;然后借鉴假设检验的思想,用通用的背景模型描述生物特征识别问题,并通过GMM方法和本文提出的成对模型构建人脸的背景模型和个体模型,据此计算待识别样本与注册样本之间的相似度,求取分类指数,采用分层决策框架实现人脸识别.仿真实验表明,本文方法对环境变化的识别鲁棒性强、识别性能好.【期刊名称】《湘潭大学自然科学学报》【年(卷),期】2017(039)002【总页数】6页(P90-95)【关键词】人脸识别;高斯混合模型;尺度不变特征变换;生物认证【作者】肖振球;陈旭东;曾文华【作者单位】嘉应学院计算机学院,广东梅州 514015;嘉应学院计算机应用技术研究所, 广东梅州 514015;厦门大学软件学院,福建厦门 361005【正文语种】中文【中图分类】TP391经典的特征脸[1]、频谱脸[2]、ASM(Active Shape Model)[3]等方法已经广泛应用于人脸识别系统.但是，上述方法大都要求在一个理想的采集环境下进行人脸识别，譬如要求面部表情自然、无遮挡，人脸在各个方向的倾斜角度小于10 °，且采集环境的光照均匀等.如果上述要求无法得到满足，人脸识别性能可能会严重下降.然而在许多应用场合(如公共监视平台)，上述条件都难以满足.基于不变特征的人脸识别方法在应对光照、表情、姿态和光照变化方面有较好效果，是人脸识别的重要研究方向.[4]提出了一种基于多关键点的人脸描述子，可以克服人脸识别性能受人脸对齐精度影响的问题.[5]提出了一种基于NMF(Non-negative Matrix Factorization)的人脸识别方法，可以提高人脸识别方法对遮挡的鲁棒性.[6]利用ICA(Independent Component Analysis)方法，一定程度上提高旋转、光照变化情况下的人脸识别性能.[7]提出了一种基于SIFT(Scale Invariant Feature Transform)的人脸识别方法，采用经典的SIFT描述子描述人脸的不变特征，在一定程度上提高人脸特征的鲁棒性.尽管上述方法都在某些方面提高了人脸识别的性能，但普适性不强.有的方法[5-6]对人脸的光照、遮挡变化鲁棒性好，但对表情变化识别性能较差；有的方法[4,7]对表情和姿态变化识别性能较好，但对于遮挡和光照变化识别性能一般.本文提出一种基于分块SIFT和GMM(Gauss Mixture Model)的人脸识别方法，主要创新点有两个方面：一是借鉴假设检验的思想，用通用的背景模型来描述生物特征识别问题，并通过GMM方法和本文提出的成对模型构建思路，构建人脸的背景模型和个体模型，作为人脸识别的依据；二是提出分块SIFT的人脸特征提取方法，通过对人脸分块提取特征，降低光照、姿态、表情和遮挡变化对人脸识别性能的影响，同时保留人脸整体的SIFT特征，有效防止特征区分能力的下降，并提出分层决策的识别框架，提高算法的运行速度和识别精度.最终通过在国际上通用的ORL、AR和YALE三个常用的人脸图像库上进行实验对比与分析，证明本文方法可以提高人脸识别对光照、姿态、表情和遮挡变化的鲁棒性.生物特征识别可以看作是一个假设检验问题，并采用一个通用的背景模型(Background Model，BM)来描述这一问题[8].假设Y为样本，对应的分类记为Θ，给定原假设H0和备择假设依据似然比作最优决策，则假设检验问题可以描述为:其中T为一个经验阈值.p(Y|H0)表示已知H0为真时观测到Y的概率，同理p(Y|H1)表示已知H1为真时观测到Y的概率.这样，通过计算给定样本的p(Y|H0)和p(Y|H1)，即可确定待识别样本是否属于假定类别，从而实现生物特征识别.直观上讲，原假设H0可以对应一个描述个体之间共性特征的背景模型BM，同样备择假设H1可以对应一个描述不同个体差异特征的个体模型(Individuality Model，IM).p(Y|Hi)的计算依赖于数据建模时选取的策略.如H0和H1分别对应由正、负样本数据集训练出的一对生成模型，那么p(Y|Hi)可粗略地看作是样本Y到模型Hi的投影.训练样本集越大，模型越准确.在生物特征识别系统中，常有验证和辨识两种识别模式.验证的目标是确定待识别样本是否属于假定的类别，而辨识的目标是确定待识别样本是属于注册数据库中的哪一个类别.公式(1)所述的模型仅用于验证识别模式，而对于辨识识别模式，可采用以下公式：)，该式表示从所有注册样本中，寻找一个与测试样本Y最相似的样本，对应编号为ID.其中，H0(i)表示第i个样本对应的背景模型.结合上节背景模型构建思路，本文通过构建背景模型BM和个体模型IM实现人脸的识别.首先采用经典的SIFT描述子[9]提取人脸整体和局部的特征；然后采用GMM对注册数据库中各个人脸的特征进行滤波，构造背景模型BM，并采用最大后验概率的思想构建个体模型IM；最后依据BM和IM计算待识别个体与注册样本中各个个体之间的相似度，构建分类指数指标，依据该指标进行决策.如上思路，本文方法主要有图像预处理、特征提取、模型构建和特征分类四个步骤，详细描述如下：2.1 图像预处理图像预处理阶段主要进行尺寸归一化、光照归一化等操作.由于本文针对国际上通用的ORL、AR和YALE扩展库三个人脸数据库进行人脸识别，这些数据库中的人脸尺寸都已归一化.因此，图像预处理阶段只需进行光照归一化处理，常采用直方图均衡化方法.2.2 特征提取SIFT是一种常用的图像描述子，对尺度、旋转变换具有不变性，在人脸识别中有成功应用.但对于光照不均匀和遮挡情况，SIFT特征的稳健性会受到较大影响.为此，本文首先对人脸图像进行分块，然后在各个人脸子区域提取SIFT特征，称之为分块SIFT特征，用于降低局部变化对全局匹配的影响.同时，保留人脸区域整体的SIFT特征，防止降低特征的可区分能力.另外，考虑到SIFT特征维数较大，存储和计算耗费资源大，采用主成分分析方法进行降维处理.具体步骤如下：Step1：图像分块本文在图像分块时考虑以下两个因素： 1) 人脸的额头、眼睛、嘴巴区域易受发型、眼镜和围巾等遮挡干扰；2) 左右半边脸易出现阴阳脸等光照不均匀现象，面部中心易出现高亮现象.综合考虑上述因素以及便捷处理的要求，本文将人脸图像均分为9等份，如图1所示.Step2：特征提取分别在图1所示的9个子图像块和整幅图像上提取SIFT特征，共得到10组SIFT特征，记为fi，i=0,1,…,9.其中，f0为人脸整体SIFT特征，其他为人脸分块的SIFT特征，其对应关系如图1所示.Step3：特征降维采用PCA方法进行特征降维，将128维的SIFT特征将至32维[10].这样不仅可以降低存储和计算消耗，而且可以提高特征的可区分能力以及鲁棒性.2.3 模型构建采用混合高斯模型训练背景模型，基本思路是：对于参与训练的样本集，首先提取人脸特征，每一个人脸提取10组SIFT特征；然后采用高斯混合滤波器对特征进行滤波，得到背景模型BM，详细过程见[11].为了提高训练速度和精度，对背景模型和个体模型进行成对训练，主要包括两个过程.(1) 计算数据库中M个不同个体的特征向量X={x1,x2,…,xM}的统计特征：其中，p(i|xm)表示xm与背景模型中对应个体之间的统计概率.(2) 每个BM单元采用新求取的统计数据和对角协方差矩阵进行自适应处理.更新过程为：其中wi、σi和μi是背景模型BM的参数，而i和i是个体模型IM的参数.这样，可以在训练过程中同步构建BM和IM模型.为了保证wi=1，又引进了一个权重参数ξ，而参数αi是数据关联系数，定义为：.2.4 特征分类为便于降低人脸区域局部变化引起的识别性能下降问题，采用分层识别方法.步骤如下：Step1：相似度计算对于待识别的样本I0，首先提取人脸的整体图像特征，结合BM和IM计算相似度当前个体与注册数据库中第t个样本的相似度：st,0=BM0·IMt,0.从注册的所有M个样本中，寻找与当前个体相似度最大的样本，记最大相似度为:(st,0)Step2：分类指数计算一般情况下，待识别样本与注册样本中相匹配的个体之间的相似度是最大的，且应当与其他不匹配样本的平均相似度有显著差异.这一特性用分类指数c0表示，用于描述两类相似度之间的可分性指标，表示为:st,0.分类指数越大，说明两类相似度的区分越明显，也即不同个体之间的类间差异越大.Step3：分层决策给定阈值T，如果c0>T，则表明待识别样本与注册样本中的t*相匹配，人脸识别完成.否则，重复前两步，依次计算人脸各子块的分类指数cn，n=1,2,…,9.只要任一人脸子块满足条件cn>T，则表明待识别样本与注册样本中的t*相匹配，人脸识别完成；如果遍历人脸各子块都未满足条件，则说明待识别人脸与注册数据库中人脸都不匹配.3.1 实验数据与评价指标在实验中，采用ORL、AR和YALE三个常用的人脸图像库：ORL人脸库包含40个个体，每一个体拥有10幅人脸图像，共计400幅人脸图像,每一个体的人脸图像包含光照、姿态、表情和饰物的变化,部分样本如图2所示.AR人脸库包含116个个体共计3 288幅人脸图像,每一个体的人脸图像包含光照、表情和饰物的变化,部分样本如图3所示.YALE人脸库包含38个个体，每一个体拥有64幅人脸图像，共计2 432幅人脸图像,每一个体的人脸图像包含不同角度的光照变化,部分样本如图4所示.实验时，数据库中的每一人脸个体选择第一幅图像作为注册样本进行训练，其他样本作为测试样本测试算法的识别性能.在性能评测阶段，采用生物特征识别领域常用的四个评价指标[12]：错误接受率,负样本被误认为正样本的数量与样本总数的比值，值越小越好;错误拒绝率,正样本被误认为负样本的数量与样本总数的比值，值越小越好; 识别率,正确识别的样本数量与样本总数的比值，值越大越好;平均识别时间,从输入待识别样本到输出识别结果所需的时间与样本总数的比值，值越小越好.3.2 参数分析本文算法在分层决策阶段采用了一个固定阈值T.一般地，该阈值取值越大，算法的错误接受率越低，但错误拒绝率越高，运算效率也越高.本文分析了T=0.2，0.4，0.6，0.8和1.0五种情况下的算法性能指标，如图5～图8所示.其中，图5～图7分别为本文算法在ORL、AR和YALE三个人脸库下测试的识别精度指标，图8为本文算法在三个库下的平均识别时间指标.由图5～图7可以看出，三个数据库的人脸识别实验分别在T=0.4、0.6和0.4时达到最大识别率.从图8可以明显看出，T越大识别时间越长.其中，实验所用的计算机硬件参数为：AMD A63.6G CPU、8G内存、Windows 7操作系统.综合考虑三个数据库下的测试指标，本文取T=0.4.3.3 实验结果对比为了验证本文算法的性能，实验中针对不同数据库选取了共六种经典的人脸识别算法与本文算法进行性能对比.表1给出了不同算法在不同数据库下的识别率指标对比情况.其中，实验中本文的参数T=0.4，其他算法的性能指标出自相应的文献.尽管ORL人脸数据库应用普遍，但多数算法[19-20]是采用多模板进行注册，也即在注册时每个个体选择了多幅图像进行训练，如文献[19]选用了5幅图像进行训练，这样测试结果与本文算法没有可对比性，因此表1中ORL库仅给出一种对比算法. 从表1中可以明显看出，本文算法在三个数据库下的识别率指标都是最高的.不仅说明本文算法识别性能较优，而且也说明本文算法对光照、姿态、表情和遮挡等变化的鲁棒性较好.另外，从3.2小节的ART指标可以看出，本文算法运算速度较快，可以用于实时处理系统.本文提出一种基于分块SIFT和GMM的人脸识别方法，首先依据环境干扰因素对人脸进行分块，在人脸整体和各分块图像上分别提取SIFT特征，并采用PCA方法进行降维处理，得到鲁棒性强和区分能力好的人脸特征；然后采用GMM方法对人脸特征进行滤波处理，借鉴假设检验的思想和成对训练的思路，建立人脸背景模型和个体模型；最后依据背景模型和个体模型计算待识别样本与注册样本之间的相似度，求取分类指数，采用分层决策框架实现人脸识别.仿真实验表明，本文方法可提高人脸识别对光照、姿态、表情和遮挡变化的鲁棒性，与其他相关算法相比较具有更好的识别性能.【相关文献】[1] YAO K. Overview of face recognition technology [J]. Electronic Technology and Software Engineering, 2014, 13(5): 122-122.[2] QIAO M X, ZHANG M,LIU T, et al. Overview of face detection and feature point extraction based on the image[J].Technology Vision,2014, 11(6): 62-63.[3] HSIEH C C, CHEN W H.A face recognition system based on ASM facial components[J]. Applied Mechanics & Materials,2011,58-60:2314-2319.[4] 丁嵘, 苏光大, 林行刚. 使用关键点信息改进弹性匹配人脸识别算法[J]. 电子学报, 2002,30(9):1292-1294.[5] SUN X, ZHANG Q, WANG Z. Face recognition based on NMF andSVM[C]//International Symposium on Electronic Commerce and Security, 2009:616-619.[6] PEI D. Research of automatic face recognition based on ICA[J]. Journal of Infrared & Millimeter Waves, 2001,20(5):361-364.[7] 张剑, 何骅, 詹小四，等. 用SIFT词汇树实现的姿态无关的人脸识别[J]. 计算机辅助设计与图形学学报, 2013, 25(11):1694-1700.[8] POVEY D,CHU S M,VARADARAJAN B.Universal background model based speech recognition[C].IEEE International Conference on Acoustics,Speech and Signal Processing.IEEE Xplore,2008:4561-4564.[9] DAVID G L. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 6(2):91-110.[10] ABDI H, WILLIAMS L J. Principal component analysis[J]. Wiley Interdisciplinary Reviews Computational Statistics, 2010, 2(4):433-459.[11] XIONG Z, ZHENG T F, SONG Z, et al. A tree-based kernel selection approach to efficient Gaussian mixture model-universal background model based speaker identification[J]. Speech Communication, 2006, 48(10):1273-1282.[12] NEMATI R J, JAVED M Y. Finger print verification using filter-bank of Gabor and Log Gabor filters[C]. International Conference on Systems, Signals and Image Processing. IEEE, 2008:363-366.[13] JIANG C G A X. Face recognition based on the multi-scale local imagestructures[J].Arn Rognon, 2011, (10-11):2565-2575.[14] CORPORATION H P. Efficient detection of occlusion prior to robust face recognition[J]. The Scientific World Journal, 2014, 2014(2):983-990.[15] LI Y,MENG L, FENG J, et al. Down sampling sparse representation and discriminant information aided occluded face recognition[J]. Science China, 2014, 57(3):1-8.[16] ANDRES A M, PADOVANI S. Face recognition on partially occluded images using compressed sensing[J]. Pattern Recognition Letters, 2014, 36:235-242.[17] JIANG Y, WU Y, LU W, et al. Log-domain polynomial filters for illumination-robust face recognition[C]. IEEE International Conference on Acoustics, Speech and Signal Processing, 2014:504-508.[18] JIAQ, FANG C, WEN D, et al. Generating face images under multiple illuminations based on a single front-lighted sample without 3D models[C]. International Conference on Biometrics, 2013:1-6.[19] ZHANG W, SHAN S, CHEN X, et al. Local Gaborbinary patterns based on kullback-leibler divergence for partially occluded face recognition[J]. Signal Processing Letters IEEE, 2007, 14(11):875-878.[20] 游应德,李成大.一种边界梯度组合的图像识别技术与分割方法[J].湘潭大学自然科学学报，2014,36(2)：99-103.。

人体动作识别算法的快速计算与实时监测技巧

人体动作识别算法的快速计算与实时监测技巧随着计算机视觉和机器学习的不断发展，人体动作识别已被广泛应用于各个领域，如智能监控、姿势评估、虚拟现实等。

然而，对于提高人体动作识别算法的计算速度和实时监测能力，仍然是一个具有挑战性的任务。

本文将介绍一些快速计算和实时监测技巧，以提高人体动作识别算法的性能。

一、特征提取与降维在人体动作识别算法中，首先需要提取适当的特征来描述人体动作。

常用的特征提取方法包括使用卷积神经网络（CNN）提取图像特征、使用时序聚类算法提取时间序列特征等。

然而，特征的维度往往过高，计算成本高昂。

为了加快算法计算速度，可以采用降维技术，如主成分分析（PCA）和线性判别分析（LDA），将高维特征映射到低维空间。

这样不仅降低了特征的维度，还保留了大部分信息，提高了算法的计算速度。

二、优化算法模型为了实现人体动作识别的快速计算和实时监测，可以优化算法模型。

一种常用的方法是使用快速卷积神经网络（Fast-CNN）。

Fast-CNN通过减少滤波器的计算量、降低特征图的分辨率、减少卷积层的数量等方法来加速计算。

另外，还可以利用GPU并行计算的能力来加速算法模型。

GPU具有大量的线程和并行计算单元，能够加快算法的计算速度。

三、多尺度和多模态融合为了更准确地识别人体动作，可以使用多尺度和多模态融合的方法。

多尺度方法可以在不同尺度下对人体动作进行识别，提高算法的性能。

多模态融合方法可以结合不同传感器的数据，如深度摄像头、惯性测量单元（IMU）传感器等，获得更全面的信息。

这样可以增加算法的鲁棒性和准确性。

四、硬件优化除了优化算法模型，还可以通过硬件优化来提高人体动作识别算法的计算速度和实时监测能力。

一种常用的方法是使用专用硬件加速器，如图形处理单元（GPU）和张量处理单元（TPU）。

这些专用硬件加速器具有并行计算和高速缓存等特点，能够显著提高算法的计算速度。

此外，还可以使用分布式计算系统来进行算法计算，将计算任务分配到多个计算节点上进行处理，进一步提高算法的性能。

一种基于轮廓与背景消除的红外视频移动目标检测方案

一种基于轮廓与背景消除的红外视频移动目标检测方案邬欢欢;白铁成【期刊名称】《现代电子技术》【年(卷),期】2016(039)012【摘要】Aiming at the problem of low accuracy rate of target outline restoration when the detection algorithm of moving target in infrared video is used to restore the target,a new detection scheme of moving target in the infrared video is proposed, which is based on outline and background elimination. The steps of the scheme are:the frames which do not contain the target are selected,the statistical processing is conducted for the selected frames,the background frame is constructed,the change of the background scene is analyzed,the adaptive background frame with changing scene is built,the clutter in the background frame isfiltered,Canny edge detector and K⁃means clustering approach are used to extract the target outline from the back⁃ground,and the morphological edge linking algorithm is adopted to close target outlines and Flood⁃fill is used to get the target silhouettes. The results of the contrast experiment prove that,compared with the other algorithms in the same category,the pro⁃posed algorithm can get better target outline and shape,has higher detection rate and lower false alarm,and spends shorter pro⁃cessing time for every frame.%针对红外视频的移动目标检测算法在还原目标时，目标的轮廓还原准确率较低的问题，提出一种基于轮廓与背景消除的红外视频移动目标检测方案。

4人头目标检测算法27理和伪彩色...

论文题目：基于人头检测的人数统计算法研究专业：信号与信息处理硕士生：张丙坤（签名）指导教师：吴冬梅（签名）摘要在统计人数时候都是根据所检测到的目标进行计数，从最开始传统的红外线检测的人数统计系统到现在的智能视频处理人数统计系统。

在一些人群众多的场所和人员并排走时会有很严重的遮挡现象，所以红外线检测就不能做到准确计数。

基于人体检测的算法在有遮挡现象时也不能准确统计出人数。

所以就要有必要研究新算法来解决以往的检测办法所带来的问题。

首先，研究了比较常用的运动目标检测方法，选择光流检测法、帧间差分法、背景消减法、基于三帧差分的自适应背景更新人体检测算法，分析了这些方法的特点。

又提出并分析了基于人头检测方法的优点。

根据各种检测方法的特点，分析了各自适用的场景和各自的优缺点。

最后选择了基于人头检测的人数统计方法，在人头统计方面，选择了基于Haar特征的AdaBoost分类器检测的方法。

首先通过对Haar特征值以及积分图的介绍，得到了特征值提取方法。

并且详细介绍了AdaBoost分类器的设计方法。

为了增强系统的实用性，增加了感兴趣区域的设定，从而增强了系统的可操作性。

根据距离聚类来判定新人员的加入，如果新人员的坐标标记点和上一帧中的所有检测到的人员坐标标记点距离在设定的阈值之外时就认定是新人员加入。

最后，为了验证本文算法的有效性，对大量不同场景下和不同人数视频进行了测试，测试结果表明本文的基于人头检测的人数统计算法能够准确、实时、有效的检测视频中的人数，且具有一定的抗干扰能力。

关键词：人数统计；运动检测；Haar；AdaBoost；感兴趣区域；距离聚类研究类型：理论研究Subject ：The research of algorithm of people counting base on the head detectionSpecialty ：Signal and Information ProcessingName ：Zhang Bingkun （Signature）Instructor：Wu Dongmei （Signature）ABSTRACTStarting from the traditional infrared detection to the current intelligent video processing system，we count the number of people base on the detected target .but the Infrared detection will have shade effect seriously, specifically in the situation of a large number of people and people walking side by side. so some human body detection based algorithm can not count the person’s number. Base on the problem above ,we propose a new algorithm to solve this problem.First, we study some commonly used moving object detection methods: optical flow detection, Interframe difference method, Background reduction method, three frame difference based of adaptive background update human detection algorithm, Head testing and son on. According to the characteristics of the various testing methods, we analyze their applicable places and their advantages and disadvantages respectively. Then choose the head detection as number of statistical method. In terms of head count, we choose the Haar feature based AdaBoost classifier detection method. In order to enhance the practicability of the system, we add the interested region setting, enhance the system operability. Finally, we determine a new staff to join in according to the distance clustering.If a distance between the coordinate of a new staff and the coordinate of all detected people in previous frame is small than the threshold we set, then we consider it as a new staff join in.In order to verify the effectiveness of the proposed method, a large number of different scenarios and different number of video are tested, results show that proposed algorithm is accurate, real-time, effective, and has certain anti-interference ability.Key words：People counting Motion detection Haar AdaBoost Interested area Distance clusteringThesis ：Theoretical study目录1绪论 (1)1.1选题背景 (1)1.2研究意义 (2)1.3国内外研究现状 (3)1.4国内公司技术介绍 (4)1.5论文研究内容和结构安排 (5)2运动目标检测 (7)2.1引言 (7)2.2运动目标检测技术 (7)2.2.1光流检测法 (7)2.2.2帧间差分法 (9)2.2.3背景消减法 (10)2.2.4基于三帧差分的自适应背景更新检测算法 (11)2.3本章总结 (12)3人头特征提取及分类器原理 (13)3.1引言 (13)3.2特征值提取 (13)3.2.1 Haar-Like特征 (14)3.2.2积分图及原理 (15)3.2.3特征值计算 (17)3.3分类器设计原理 (17)3.3.1 AdaBoost算法介绍 (17)3.3.2分类器设计流程 (19)3.3.3本文分类器所用样本介绍 (22)3.3.4设计分类器存在问题 (22)3.4本章总结 (25)4人头目标检测算法 (26)4.1引言 (26)4.2灰度变换 (26)4.3窗口遍历 (27)4.4分类器检测 (28)4.5矩形合并 (28)4.6分类器精度分析 (28)4.7实验结果对比及总结 (31)4.8本章总结 (33)5目标计数 (34)5.1引言 (34)5.2感兴趣区域设计 (34)5.3人员计数 (36)5.3.1对人员进行聚类 (36)5.3.2判断进出方向 (37)5.4实验环境 (38)5.5实验结果 (38)5.6结果分析及总结 (40)5.7本章总结 (41)6总结及展望 (42)6.1总结 (42)6.2展望 (42)致谢 (44)参考文献 (45)1绪论1.1选题背景近年来，随着社会经济和科学技术的不断发展，社会公共安全的需求和防范变的日益重要。

基于便携式传感器数据的GMM-HMM人体姿态识别算法

基于便携式传感器数据的GMM-HMM 人体姿态识别算法①马　永1, 洪　榛21(浙江理工大学机械与自动控制学院, 杭州 310018)2(浙江工业大学信息工程学院, 杭州 310023)通讯作者: 洪　榛摘　要: 人体姿态识别在人机交互, 游戏以及医疗健康等领域有着深远意义, 基于便携式传感器进行多种人体姿态高精度的稳定识别是该领域的研究难点. 本文采集了8种姿态的高频传感器数据, 提取原始数据的窗口时域特征组成数据集. 根据人体姿态的传感器数据特点将人体姿态划分为4个阶段, 使用高斯混合模型(Gaussian Mixture Model, GMM)拟合人体姿态的观测序列, 结合隐马尔可夫模型(Hidden Markov Model, HMM), 利用GMM-HMM 算法进行姿态识别. 本文对比了不同窗口值下的一阶隐马尔可夫模型(1 Order Hidden Markov Model, 1OHMM)和二阶隐马尔可夫模型(2 Order Hidden Markov Model, 2OHMM)的效果, 当窗口值为8时, 2OHMM 的性能最优,整体召回率达到了95.30%, 平均准确率达到了95.23%. 与其它研究相比, 本文算法能识别的姿态种类较多, 算法识别性能较佳且算法耗时较短.关键词: 便携式传感器数据; GMM; 1OHMM; 2OHMM; 姿态识别引用格式: 马永,洪榛.基于便携式传感器数据的GMM-HMM 人体姿态识别算法.计算机系统应用,2020,29(11):204–209. /1003-3254/7711.htmlGMM-HMM Human Body Posture Recognition Based on Portable Sensor DataMA Yong 1, HONG Zhen 21(Faculty of Mechanical Engineering and Automation, Zhejiang Sci-Tech University, Hangzhou 310018, China)2(College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China)Abstract : Human body posture recognition has far-reaching significance in the fields of human-computer interaction,games, and medical health. It is a difficult research point in this field to perform high-precision and stable recognition of various human body posture based on portable sensors. This study collects high-frequency sensor data of eight postures,and the data set is sorted out by extracting the window time-domain features of the original data. According to the characteristics of the sensor data, the human posture is divided into four stages, and the Gaussian Mixture Model (GMM)is used to fit the observation sequence of the human posture, combined with the Hidden Markov Model (HMM), then, use GMM-HMM algorithm for gesture recognition. This study compares the effects of the First Order Hidden Markov Model (1OHMM) and the Second Order Hidden Markov Model (2OHMM) under different window values. When the window value is 8, the performance of 2OHMM is optimal, and the overall recall rate reaches 95.30%, the average accuracy rate reaches 95.23%. Compared with other studies, the algorithm in this work can recognize more types of gestures, has better recognition performance, and takes less time.Key words : portable sensor data; GMM; 1OHMM; 2OHMM; posture recognition计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: Computer Systems & Applications,2020,29(11):204−209 [doi: 10.15888/ki.csa.007711] ©中国科学院软件研究所版权所有.Tel: +86-10-62661041① 基金项目: 浙江省公益性技术应用研究计划(2017C33153)Foundation item: Technology Application Plan for Public Welfare of Zhejiang Province (2017C33153)收稿时间: 2020-04-03; 修改时间: 2020-05-15, 2020-06-12; 采用时间: 2020-06-15; csa 在线出版时间: 2020-10-29204人口老龄化是世界性问题. 预计到2050年, 我国60岁以上的老年人口将达4亿[1–4], 相当于英国、法国、德国、意大利和日本人口的总和. 因此, 老人生活安全防护问题受到了社会各界的重视, 老人日常生活护理设备也得到快速发展. 同时, 在现实生活中, 老人们也常常因为一些其它的危险动作对身心健康造成损害. 人们在享受数字生活, 高效生活, 智能生活的同时,安全生活成为新的需求[5–7]. 国家在“十三五”[8,9]中明确指出大力发展物联网技术, 将物联网技术与工业生产以及人民生活结合起来. 人体姿态势识别技术将在人民的未来生活中扮演重要的角色.为了精确识别人体姿态以及有效减少危险行为造成的危害, 国内外学者进行了大量的研究工作. Ronao等[10]提出了一种利用智能手机采集的加速度计和陀螺仪传感器数据进行人体姿态识别的两阶段连续隐马尔可夫模型(CHMM)方法. 该方法由粗分类的一级CHMMs 和精细分类的二级CHMMs组成, 利用随机森林(RF)确定粗分类和细分类的最优特征子集. 该方法中一级CHMMs用于分离静止的人体姿态和移动的人体姿态,二级CHMMs用于对数据序列进行分类. 该算法结合多级分类的思想进行姿态识别, 算法复杂度较高. San-Segundo等[11]提出了一种基于隐马尔可夫模型的人类活动识别与分割系统. 该系统利用智能手机的惯性信号来识别和分割六种不同的人体活动: 走路、上楼、下楼、坐下、站立和躺下. 实验使用基于手机信号收集的公共人体行为数据集UCI; 在UCI数据集中取得了当时的最佳效果, 分割错误率为2.1%. 该算法基于公开数据集进行建模, 算法的可移植性差且分类种类少.在国内, 雷玉超等[12]采用粘贴在羽毛球拍柄的单个加速度传感器进行羽球动作的数据采集, 使用滑动窗口进行击球信号提取, 提出了动作分帧结合K-means 等无监督式学习算法进行聚类分析和矢量量化. 通过建立HMM, 改进训练算法对羽球动作进行高效识别.识别率可达94%. 该算法结合无监督聚类的思想对羽毛球动作进行多分类, 算法稳定性较差. 温加睿等[13]提出了一种利用自学习特征及姿态组合规则进行有效动作识别的新方法. 使用稀疏自编码(SAE)网络提取轮廓图像的结构特征并构造姿态码本. 在识别阶段, 使用HMM训练不同动作类别的模型. 设计了一种关键帧提取算法用于在训练HMM前降低长序列的冗余度. 通过仿真实验验证了该方法的有效性. 结合图片信号的算法建模在一定程度上暴露了使用者的隐私.针对现有的研究工作存在算法的移植性差, 识别种类较少, 且容易暴露使用者的隐私、算法耗时较长等问题. 本文利用BWT901传感器对人体的八种姿态进行数据采集, 构建高质量的数据集, 在保护使用者隐私的前提下, 使用GMM-HMM算法对以下八种姿态进行建: 前向跌倒(Fall front, Ff), 后向跌倒(Fall backward, Fb), 侧向跌倒(Fall sideways, Fs), 坐下 (Sit, Si), 蹲下(Squat, Sq), 上楼梯(Up the staris, Us), 下楼梯(Down the staris, Ds), 走路(Walk, Wk).1 数据采集及数据预处理1.1 人体姿态数据采集本文使用高精度的、高采样频率的BWT901传感器进行数据采集. 其主要结构如图1所示, 该传感器测量精度为0.01°, 测量数据为三轴加速度, 三轴角度, 三轴角速度.D0VCCRXTXGNDD1D2VCCSCLSDAGNDD3YZX图1 BWT901传感器结构如图1所示, 模块的轴向在图中下角标示出来, 向右为X轴, 向上为Y轴, 垂直与直面向外为Z轴. 旋转的方向按照右手法则定义, 即右手大拇指向轴向, 四指弯曲的方向即为绕该轴旋转的方向.本章实验人员为招募的志愿者, 其中男性志愿者117名, 女性志愿者75名. 实验过程每名志愿者根据动作要求, 分别进行多组动作. 每个实验者结合自己的行为习惯重复上述的8种行为10次, 累计每个动作收集有效数据1987组. 每一组数据记录的是一个独立的动作发生时段内的传感器变化的原始值. 实验数据经过人工预处理后, 排除因损失等原因造成的无效数据1356条, 获得有效数据35 478条.本文中人体姿态数据采集实验中在人体的以下部2020 年第 29 卷第 11 期计算机系统应用205位(小腿、大腿)绑定BWT901传感器. 如图2所示,为实验人员走路时人体小腿部位的传感器数据的曲线变化. 从数据曲线可以看出, 人体走路姿态在的传感器变化曲线存在明显的周期. 从传感器的数据波形也可以看出每种动作的传感器信号确实存在一定的周期性,但是每个周期信号又有差异.T (s)A h (m /s 2)200150100500−50−100−15020406010080X Y Z图2 小腿部位X 轴、Y 轴、Z 轴加速度传感器曲线1.2 人体姿态阶段划分如图3所示, 走路过程小腿部位X 轴的加速度特征曲线周期性明显, 每个周期可以划分为4个阶段. 对于人体的其它姿态的数据同样如此, 侧向跌倒动作的其X 轴加速度阶段之间非常明显, 但Z 轴和Y 轴加速度却没有随着动作本身有一定周期性变化, 这也符合人体几种姿态的动作特点.150100500020406080100−50−100−150S 1S 2S 3S 4T (s)A h (m /s 2)图3 姿态阶段划分(X 轴)1.3 数据预处理人体各种姿态是一个连续的过程, 整个动作对应的传感器数据为一段连续的传感器数据. 滑动窗口提取特征的思想能够有效的提取姿态序列的特征. 不同姿态的传感器数据序列的周期也不尽相同, 前文中基于传感器的曲线变化将人体姿态初步分为4个不等长的阶段, 但每个阶段的序列长度不等, 且无法用一定规则进行计算, 如图4所示, 滑动窗口提取特征非常适合本研究的方向, 而且滑动窗口的跨度需要设定合理的数值. 滑动窗口的跨度、相邻窗口的位移幅度、以及窗口的重叠率等必须基于实际实验数据和实际调参效果得到一个适用于本数据集的窗口值.Y 200150100500020406080100−50−100−150T (s)A h (m /s 2)X图4 行走状态小腿X 轴加速度及大腿Y 轴加速度滑窗处理原始数据为连续的人体姿态九轴传感器数据. 直接原始数据用于隐马尔可夫模型建模有可能导致模型过拟合, 很难建立泛化能力强, 鲁棒性强的隐马尔可夫模型. 原始数据具有九个维度, 本文将利用滑动窗口的方法在九个维度上提取人体姿态的特征, 用于HMM 建模.对原始姿态传感器特征序列可以从时域特征、频域特征等角度进行特征提取. 本文使用隐马尔可夫模型作为人体姿态识别的基础模型, 这要求本文提取的特征需要具备马尔可夫性. 人体姿态传感器数据序列是一组多维的随着时间变化的物理信号数据, 数据序列本身反用了人体姿态进行过程身体各个维度的变量的变化过程. 为了能够使人体动作序列的特征保持马尔可夫性, 本节将提取基于原始数据集的特定窗口的以下时域特征: 窗数据均值、窗口数据相关系数、窗口过均值点数、窗口数据标准差、窗口数据最值.2 GMM-HMM 姿态识别模型πλ本文将8种人体姿态划分为4个阶段, 每个阶段的观测序列由多维传感器数据的窗口特征得到. 使用不同的密度函数将观测序列和状态序列进行拟合, 得到两者推理关系. 人体姿态HMM 模型由以下3个要素组成: 每个阶段初始状态概率矩阵、状态转移概率矩阵A 和观测概率矩阵B . 类似于经典的隐型马尔可夫问题, 设人体姿态的隐型马尔可夫模型为, 则:λ=(π,A ,B )(1)计算机系统应用2020 年第 29 卷第 11 期206在人体姿态模型构造中, 需要解决3个基本问题[14–16]:状态概率计算问题, 模型学习问题, 模型解码问题.假设当前状态一定时, 当前状态发出的概率只与当前时刻有关, 与之前和之后的状态均没有关系且下一步状态转移概率除了与当前状态, 与以前所有的状态和发出观测值无关. 则如图5所示, 人体行为的4个阶段可以用1OHMM 建模. 假设当前状态与之前状态受到前两个状态的影响, 如图6所示, 则可以用2OHMM 建模.O 1S 1S 2S 3S TO 2O 3O T图5 1OHMM 姿态识别模型a12a13a23S 1S 2S 3S TO 1O 2O 3O T图6 2OHMM 姿态识别模型对于隐马尔可夫人体姿态识别. HMM 的结构可以确定为左右历经型. 对于四阶段人体姿态模型, 其观测值为连续的加速度数据, 故人体姿态模型是连续隐马尔可夫模型. 对于人体姿态的4个阶段, 每个阶段之间的加速度数据差别较大, 无法用一个统一的概率密度函数来描述这4个阶段, 故本文对每个阶段采取不同的高斯混合模型[17]来描述.3 实验分析3.1 实验数据集本文实验共采集有效数据35 478条. 对于实验数据窗口的设定本文对比了3种窗口的大小, 窗口大小和窗口重复率是根据人体姿态的不同阶段来确定的. 既要兼顾人体姿态的4个阶段的不同周期长度, 不能完全覆盖最小周期的阶段, 也要保证能够较好的在各个阶段之间跨度, 以更好的提取人体姿态的阶段的特征信息. 具体实验中, 本文设置采样频率为20 Hz, 窗口重复率为40%, 训练窗口数为900, 则窗口大小分别为6, 8, 10时, 对应的测试窗口数分别为814, 760, 514.3.2 性能分析表1, 表2为窗口为6时8种人体姿态的性能指标数据表. 根据实验结果, 表1的平均准确率为90.30%,平均召回率为89.34%. 表2的二阶模型平均准确率最高, 达到了91.53%, 平均召回率为91.96%. 在测试集中, 坐下(Si)在一阶模型中召回率最高, 达到了93.23%,同时精确率达到了91.76%. 二阶模型各方面性能最高,平均准确率达到了91.53%, 所有姿态的召回率整体表现相比于一阶模型较高.表1 窗口为6时1OHMM 性能姿态召回率精确率姿态召回率精确率Ff 0.89200.9269Sq 0.88790.9230Fb 0.88160.9334Us 0.92230.9232Fs 0.86230.9239Ds 0.93640.9164Si0.93230.9176Wk0.89420.9136表2 窗口为6时2OHMM 性能姿态召回率精确率姿态召回率精确率Ff 0.92470.9203Sq 0.92300.9014Fb 0.90310.9159Us 0.91560.9123Fs 0.90130.9201Ds 0.92360.9045Si0.94320.9265Wk0.91440.9037如表3, 表4所示, 窗口为8时8种人体姿态的性能指标中可以看出, 2OHMM 整体的性能优于其它模型. 当窗口大小为8时, 1OHMM 的平均准确率为94.12%,平均召回率为94.25%. 二阶隐马尔可夫模型的平均准确率最高, 达到了95.23%, 平均召回率为95.30%. 一阶模型在测试集中侧向跌倒(Fs)的召回率最高, 达到了96.77%. 二阶模型在测试集中走路(Wk)的召回率最高, 达到了95.83%.表3 窗口为8时1OHMM 性能姿态召回率精确率姿态召回率精确率Ff 0.93540.9210Sq 0.92780.9243Fb 0.93750.9413Us 0.92900.9396Fs 0.96770.9538Ds 0.93610.9211Si0.91570.9326Wk0.94790.94742020 年第 29 卷第 11 期计算机系统应用207表4 窗口为8时2OHMM性能姿态召回率精确率姿态召回率精确率Ff0.95690.9509Sq0.95870.9523 Fb0.94790.9467Us0.94790.9594 Fs0.95690.9444Ds0.94680.9659 Si0.94730.9568Wk0.95830.9587表5, 表6为窗口为10时8种人体姿态的性能指标数据表. 1OHMM的平均准确率为93.06%, 平均召回率为92.07%. 二阶模型的平均准确率最高, 达到了94.31%, 平均召回率为93.38%. 向后跌倒(Fb)在一阶模型中召回率最高, 下蹲(Sq)召回率最低. 二阶模型整体的召回率较高, 其中下蹲(Sq)的召回率最高, 达到了94.36%.表5 窗口为10时1OHMM性能姿态召回率精确率姿态召回率精确率Ff0.91280.9308Sq0.90240.9372 Fb0.94360.9343Us0.91460.9483 Fs0.90420.9242Ds0.93710.9354 Si0.90850.9475Wk0.92830.9213表6 窗口为10时2OHMM性能姿态召回率精确率姿态召回率精确率Ff0.92430.9323Sq0.94360.9356 Fb0.92360.9431Us0.93200.9429 Fs0.94290.9545Ds0.92770.9587 Si0.94030.9339Wk0.91140.9223本文试验过窗口值选为12时的模型性能, 实验结果相较于窗口值为10时有所下降. 因此, 通过以上实验对比可以得出以下结论: 对于不同姿态加速度数据,不同的窗口大小下, 2OHMM识别效果较好, 窗口大小为8是最优参数值. 如图7所示, 一阶模型中大部分被误判坐下的样本被识别为后向跌倒; 上楼梯中大部分被误判的样本被识别为蹲下; 下楼梯中大部分被误判的样本被识别为坐下. 如图8所示, 二阶模型中大部分被误判的下蹲样本被识别为坐下; 上楼梯中大部分被误判的样本被识别为前向跌倒; 下楼梯中被误判的样本均被识别为侧向跌倒.如图9所示, GMM-HMM模型在数据集中的召回率和准确率均高于其他算法. 其中KNN算法选用的K值为3时, 效果较好. SVM采用高斯核函数表现最佳. 在测试时间上, GMM-HMM算法性能也相较于其他大多数算法耗时较少.FfFf Fb Fs Si Sq Us Ds WkFbFsSiSqUsDsWk真实标签预测标签87020200000104020021012120001000500201898991900041010040020050090879080604020图7 窗口数为8时1OHMM模型分类结果混淆矩阵FfFf Fb Fs Si Sq Us Ds WkFbFsSiSqUsDsWk真实标签预测标签89010200100003000000320300021000001091899291050004000004021089909380604020图8 窗口数为8时2OHMM模型分类结果混淆矩阵0.960.940.920.900.880.860.840.820.40 s0.35 s0.30 s0.25 s0.20 s0.10 s0.05 s0 s.875.339.869.913.352.933.196.321.926.35.914.953.952.234.893随机森林SVMKNN朴素贝叶斯GMM-HMM召回率准确率测试时间图9 多种算法性能对比计算机系统应用2020 年第 29 卷第 11 期2084 结论与展望本文采集了人体姿态传感器序列, 将人体姿态的常规动作划分为4个阶段, 使用滑动窗口的方法提取人体姿态序列的时域特征. 探索高阶隐马尔可夫模型对人体姿态各个阶段的状态与前后状态进行关联. 使用高斯混合模型拟合观测序列的状态分布. 对模型的特征的敏感参数窗口大小, 进行了不同长度的对比试验. 最终实现了对人体的8种姿态的高精度识别, 在本数据集上与其他算法进行了对比, 证明了本文算法的在算法耗时较少的情况下, 识别性能较好. 基于便携式传感器的人体姿态识别能够在保护使用者隐私的前提下进行工作, 未来会成为研究热点. 该领域的发展也将推动国家的物联网工程建设.参考文献胡秀英, 刘祚燕, 龙纳. 老年护理学的新理念及发展趋势.中华现代护理杂志, 2011, 17(25): 2977–2979. [doi: 10.3760/cma.j.issn.1674-2907.2011.25.001]1李小虎. 解读《信息通信行业发展规划(2016–2020年)》.通信管理与技术, 2017, (2): 14–16. [doi: 10.3969/j.issn.1672-6200.2017.02.012]2张国扬, 朱树先, 王康, 等. 基于ZigBee 的嵌入式智能家居管理系统的设计和实现. 电子设计工程, 2016, 24(2):154–156, 160. [doi: 10.3969/j.issn.1674-6236.2016.02.047]3余伟婷. 《2018–2019中国物联网发展年度报告》发布.物联网技术, 2019, (9): 3.4林洪, 陈青康, 陈凯欣, 等. 从十年统计公报变化看中国经济社会发展. 中国统计, 2019, (8): 7–8.5史晓红, 杨泽, 宋岳涛, 等. 中国老年人跌倒风险评估专家共识(草案). 中国老年保健医学, 2019, 17(4): 47–48, 50.[doi: 10.3969/j.issn.1672-2671.2019.04.013]6蔡兴泉, 涂宇欣, 余雨婕. 基于少量关键序列帧的人体姿态识别方法. 图学学报, 2019, 40(3): 532–538.7孙子文, 孙晓雯. 基于加速度传感器的人体跌倒检测方法. 计算机工程与科学, 2017, 39(2): 330–335. [doi: 10.3969/j.issn.1007-130X.2017.02.017]8秦晓华, 段侪杰, 袁克虹, 等. 一种老年人移动健康监护系统的研究. 中国医学物理学杂志, 2011, 28(1): 2407–2410.[doi: 10.3969/j.issn.1005-202X.2011.01.021]9Ronao CA, Cho SB. Human activity recognition usingsmartphone sensors with two-stage continuous hidden Markov models. Proceedings of the 2014 10th International Conference on Natural Computation. Xiamen, China. 2014.681–686.10San-Segundo R, Blunck H, Moreno-Pimentel J, et al . Robusthuman activity recognition using smartwatches and smartphones. Engineering Applications of Artificial Intelligence, 2018, 72: 190–202. [doi: 10.1016/j.engappai.2018.04.002]11雷玉超, 业茜, 吴怡菲, 等. 基于HMM 的羽球动作实时识别. 计算机与数字工程, 2019, 47(9): 2339–2343. [doi: 10.3969/j.issn.1672-9722.2019.09.046]12温加睿, 刘丽娜, 芮玲, 等. 基于自学习特征与HMM 的人体动作识别(英文). 系统仿真学报, 2015, 27(8): 1782–1789, 1795.13Daher M, El Badaoui El Najjar M, Diab A, et al . Automaticfall detection system using sensing floors. International Journal of Computing and Information Sciences, 2016, 12(1):75–80. [doi: 10.21700/ijcis.2016.110]14San-Segundo R, Lorenzo-Trueba J, Martínez-González B, etal . Segmenting human activities based on HMMs using smartphone inertial sensors. Pervasive and Mobile Computing, 2016, 30: 84–96. [doi: 10.1016/j.pmcj.2016.01.004]15杨世强, 罗晓宇, 李小莉, 等. 基于DBN-HMM 的人体动作识别. 计算机工程与应用, 2019, 55(15): 169–176.16王怡然. 基于高斯背景模型的运动目标检测与跟踪[硕士学位论文]. 西安: 西安电子科技大学, 2012.172020 年第 29 卷第 11 期计算机系统应用209。

使用微多普勒信息识别伪装人体目标动作的新方法

使用微多普勒信息识别伪装人体目标动作的新方法陈亦望;靳秀海;张品;潘育新【摘要】To effectively identify the activity of human target camouflaged by vertical screen,the messages of human pose and action were obtained from Doppler radar,which could detect targets without the interference of the weather,time and some barriers. Then the 3D shape information containing time,frequency and power was achieved as database by short time Fourier transforms to Doppler. The algorithm of point description image was used to obtain the 3D shape characteristic for classification. The multilayer perception artificial neural network and the support vector machine were used for classification of 4 motion of 20 people based on the 3D shape. The tests prove that this method for classification human motion is more valid.%为了有效识别垂直遮障伪装后的地面人体目标动作类别,首先使用具有全天候探测、可穿透障碍物能力的多普勒雷达获取人体目标微多普勒信号,再将微多普勒信号经短时傅里叶变换后获得的时间、频率和功率三维信息图形作为数据源,并使用点描述算法获取三维形状特征用于分类.使用20组人体目标的4个不同动作实测数据,分别采用多层感知器结构的人工神经网络方法和超核支持向量机方法对动作特征进行分类.通过比较实验证明,提出的方法可以更高效地进行人体目标动作分类.【期刊名称】《解放军理工大学学报（自然科学版）》【年(卷),期】2012(013)005【总页数】6页(P505-510)【关键词】微多普勒频移;三维;动作分类;人工神经网络;支持向量机【作者】陈亦望;靳秀海;张品;潘育新【作者单位】解放军理工大学野战工程学院,江苏南京210007;解放军理工大学野战工程学院,江苏南京210007;解放军理工大学野战工程学院,江苏南京210007;解放军理工大学野战工程学院,江苏南京210007【正文语种】中文【中图分类】TN959.1由于人体运动是非刚体运动，身体各部位在运动过程中存在规律性相对运动，被雷达照射时产生的复杂微多普勒频移（micro－Doppler）包含丰富的运动信息，提取出表征状态的信息，就能够识别目标的运动状态（如行走、奔跑、上肢姿态动作、速度、频率等）。

海天复杂背景下红外目标的检测跟踪算法

海天复杂背景下红外目标的检测跟踪算法随着二十一世纪影像技术的飞速发展，以红外信号检测和跟踪目标已经成为一项重要的任务。

在海天复杂背景下，红外图像中几乎所有对象都存在无色混乱的背景或噪声。

这就导致人类很难通过肉眼观测来有效地检测和跟踪目标，因此，必须借助计算机辅助以及一些有效的检测算法来实现这一任务。

针对海天复杂背景下红外目标的检测跟踪，主要有以下几种算法可供选择：基于特征的目标检测和跟踪算法、基于目标表示的检测和跟踪算法、基于概率的目标检测和跟踪算法和基于生成模型的目标检测和跟踪算法。

其中，基于特征的目标检测和跟踪算法，是指在红外图像处理过程中，从红外图像提取出与目标有关的特征，用于检测和跟踪目标的算法。

这类算法有两种，一种是基于局部特征的算法，如Harris角点算法和小波变换检测算法。

它们使用像素特征，如角点、边缘、块等，以识别和跟踪红外图像中的目标。

另一种是基于全局特征的算法，如模糊C均值（FCM）聚类算法和边界点检测算法等。

基于目标表示的检测和跟踪算法，是指在检测和跟踪红外图像中的目标时，通过把红外图像分割成不相交的目标块，以便识别和跟踪目标的一种算法。

例如，根据红外图像的像素值大小不同，采用均值偏移量（MOS）算法来识别红外图像中的目标，可以有效地检测出海天复杂背景下的红外图像中的目标。

基于概率的目标检测和跟踪算法，是指在红外图像中的检测和跟踪中，利用概率理论和方法来确定目标位置的算法。

例如，可以使用概率全局跟踪算法（PGT）通过构建概率模型，对海天复杂背景下的红外图像中的目标进行检测和跟踪。

最后，基于生成模型的目标检测和跟踪算法，是指通过利用目标结构的差异，建立和优化模型，提取特征，定位和跟踪目标，从而检测红外图像中的目标的一种算法。

例如，可以采用基于马尔可夫模型的背景建模算法，对海天复杂背景下的红外图像中的目标进行检测和跟踪。

总而言之，基于特征的目标检测和跟踪算法、基于目标表示的检测和跟踪算法、基于概率的目标检测和跟踪算法以及基于生成模型的目标检测和跟踪算法，都可以用于海天复杂背景下的红外目标的检测和跟踪。

基于GC-ACM的红外前景目标提取算法研究

关键词：红外目标提取ＧＭＭＧＣ—ＡＣＭ区域填充
中图分类号：ＴＰ３９１．４
文献标识码：Ａ
文章编号：１００７．９４１６（２０１６）０３—０１３９—０２
随着红外成像设备性价比的提升，红外视频监控系统越来越多存在两个问题：（１）只能实现全局分割，然而实际中有时会用到局部
快速分割（ＬｓＢＳ）在光照较暗的情况下仍可较准确地分割出目标，提或全局分割，其能量函数描述如下：
高精确度，但实时性一般。红外图像因其固有的低信噪比、低对比度、模糊等缺点，加之周
围相似热辐射量物体的干扰，加大了目标检测的难度，若单纯应用ＧＩＶＩＭ￣Ｕ会带来“虚影”、空洞及目标破碎等问题。本文提出了一种新的结合ＧＣ－ＡＣＭ与ＧＭＭ的目标提取算法，有效地解决了虚假目标干扰、目标破碎等问题，并在一定程度上提升了实时陛。
（３）文献［８】给出的示例较本文的复杂背景红外图像来说相对简
帧、动态高斯分布个数、图像分块等。但改进后应用于红外运动目标单，只包括几个几何图形或明显有灰度差异的医学图像，易于分割。
检测仍存在一些问题：虚假点目标多、真实目标破碎、难以理解等。若将同样的方法用于复杂背景的红外图像，则适应性有待考究。
ＡｃＭ）红外前景目标提取算法。首先基于ＧＭＭ检测目标可能存在的较大感兴趣区域（ＲｏＩ），其次在ＲｏＩ上基于Ｇｃ—ＡｃＭ做局部分割，最后基于形态学
填充目标轮廓并进一步分割目标。实验表明算法较ＧＭＭ方法可以有效地提取目标，具有一定的实时性和鲁棒性。

测绘技术中的伪装目标检测方法及特征提取技术

测绘技术中的伪装目标检测方法及特征提取技术近年来，随着科技的不断发展，伪装技术在军事和民用领域中得到了广泛应用。

为了提高伪装目标的检测效率和准确性，测绘技术中的伪装目标检测方法及特征提取技术也得到了越来越多的关注和研究。

伪装目标检测是指通过图像处理和分析技术来识别和定位伪装目标。

其中，特征提取技术是伪装目标检测的核心环节。

传统的特征提取技术主要基于人工定义的图像特征，如颜色、纹理、形状等。

然而，由于伪装技术的不断改进和进步，传统的特征提取技术往往不能满足检测的需求。

为了解决这个问题，研究人员提出了基于深度学习的特征提取方法。

深度学习是一种通过模拟人脑神经网络结构来实现信息处理的方法。

通过构建深层神经网络，可以提取图像中更高层次的特征，从而提升伪装目标检测的准确性和鲁棒性。

常用的深度学习模型包括卷积神经网络（CNN）和循环神经网络（RNN）。

卷积神经网络是目前最为常用的深度学习模型之一。

它通过多层卷积和池化操作，以及全连接层的组合，实现对图像特征的提取和抽象。

在伪装目标检测中，可以利用卷积神经网络提取目标的纹理和形状等特征。

例如，通过训练一个卷积神经网络，可以提取出不同类型的纹理特征，然后将其应用于伪装目标的检测和识别中。

循环神经网络是一种能够处理序列数据的深度学习模型。

在伪装目标检测中，可以利用循环神经网络提取目标的空间分布和时间序列等特征。

例如，通过训练一个循环神经网络，可以提取出伪装目标的运动轨迹特征，从而实现对伪装目标的快速检测和定位。

除了深度学习之外，还有一些其他的特征提取方法也得到了广泛应用。

例如，基于局部二值模式（LBP）的特征提取方法可以有效地提取图像的纹理信息。

通过计算图像中每个像素周围的灰度差异，可以得到一种图像特征向量。

这种特征向量可以用于伪装目标的检测和识别。

此外，还有一些图像处理和分析技术可以应用于测绘技术中的伪装目标检测。

例如，基于多尺度的图像分割技术可以将图像分割为不同的区域，从而提高伪装目标的检测效率。

红外目标特征提取与识别方法

红外目标特征提取与识别方法
红外目标特征提取与识别方法是红外成像技术中的关键问题之一。

随着红外成像技术的发展，对红外目标的检测和识别要求越来越高。

因此，如何有效地提取和识别红外目标的特征成为研究的热点之一。

从红外目标的特征入手，可以将其分为几个方面进行研究。

首先，红外目标的形状和纹理特征是识别的重要因素。

通过分析目标的形态和纹理信息，可以快速准确地完成目标的识别。

其次，红外目标的运动特征也是一个重要的识别特征。

通过分析目标在时间轴上的不同运动状态，可以更加精准地识别目标。

最后，红外目标的辐射特征是红外成像技术的核心内容。

通过分析目标的辐射特征，可以确定目标的物理性质和状态，从而实现对目标的精准识别。

在红外目标的特征提取与识别方法研究中，传统的方法主要包括基于图像处理的方法和基于模式识别的方法。

基于图像处理的方法主要是通过对红外图像进行预处理和特征提取，然后应用分类器完成目标的识别。

而基于模式识别的方法则是将目标识别看做是一个模式分类问题，通过建立分类模型完成目标的识别。

近年来，随着深度学习技术的发展，基于卷积神经网络的红外目标识别方法也逐渐成为研究的热点之一。

总的来说，红外目标特征提取与识别方法是一个复杂的问题，需要综合考虑红外目标的多个特征因素。

未来，需要进一步研究和开发出更加高效和准确的红外目标识别方法，以满足现代战争和安防等领
域对红外目标识别的需求。

基于人工智能的红外图像目标检测算法研究

基于人工智能的红外图像目标检测算法研究摘要：红外图像目标检测技术在军事、安防、无人机等领域具有广泛的应用前景。

本文旨在研究基于人工智能的红外图像目标检测算法，通过深入探讨该算法的原理、方法和应用，为进一步提高红外图像目标检测的准确性和效率提供参考和指导。

一、引言近年来，随着人工智能技术的快速发展和红外图像技术的广泛应用，基于人工智能的红外图像目标检测算法成为研究热点之一。

红外图像具有独特的发射特性，可以在夜间和恶劣天气条件下实现目标检测，这对于军事、安防、无人机等领域具有重要意义。

因此，研究开发一种高效准确的红外图像目标检测算法是当前亟待解决的问题。

二、基于人工智能的红外图像目标检测算法的原理基于人工智能的红外图像目标检测算法主要基于深度学习技术，其中卷积神经网络（CNN）是最常使用的方法。

其原理是通过将图像输入CNN网络，经过多层卷积和池化操作提取图像特征，然后通过全连接层进行目标分类和定位。

三、基于人工智能的红外图像目标检测算法的方法1. 数据集准备与预处理为了训练和测试红外图像目标检测算法，需要准备一个包含大量正负样本的数据集。

数据集预处理包括图像去噪处理、图像增强和尺度归一化等操作，以提升算法的鲁棒性和准确性。

2. 网络设计网络设计是基于人工智能的红外图像目标检测算法的关键。

常用的网络结构包括Faster R-CNN、YOLO和SSD等。

其中，Faster R-CNN 结合了区域提议网络（RPN）和Fast R-CNN进行目标检测和分类，可以获得较高的检测精度和运行速度。

3. 特征提取和特征匹配特征提取是基于人工智能的红外图像目标检测算法的重要步骤。

通过卷积操作，可以从红外图像中提取出具有区分度的特征图。

特征匹配则是将提取的特征图与目标类别进行比对，判断图像中是否包含目标。

4. 目标分类和定位基于人工智能的红外图像目标检测算法需要将图像中的目标进行分类和定位。

分类可以使用softmax函数进行多分类识别，定位则通过边界框来确定目标在图像中的位置和大小。