-
公开(公告)号：CN111626171B
公开(公告)日：2023-05-16
申请号：CN202010434393.2
申请日：2020-05-21
Applicant: 青岛科技大学
IPC: G06V20/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提出一种基于视频片段注意力机制与交互关系活动图建模的群组行为识别方法，主要用于解决视频监控场景下群组行为识别的精度问题，以提高群组行为识别精度并排除视频中大量冗余信息；首先，利用片段注意力机制提取视频中的关键片段，并通过P3D网络提取其时空特征；然后利用卷积关系机制构建群组活动图以捕获人与人之间的交互关系，并通过多个阶段、不同类型的卷积操作对活动图进行优化，形成对组群关系的动态描述；进一步，通过融合机制将优化后的组群关系活动图与原始的P3D特征进行融合，旨在将底层的P3D特征和高层的组群特征进行结合，避免特征丢失；最后，将融合后的特征利用softmax分类器对群组行为进行识别，以获得更高的组群行为识别精度和效果。
-
公开(公告)号：CN110516540B
公开(公告)日：2022-04-29
申请号：CN201910646216.8
申请日：2019-07-17
Applicant: 青岛科技大学 , 青岛科大有志信息技术有限公司
Abstract: 本发明公开了一种基于多流架构与长短时记忆网络的组群行为识别方法，涉及图像识别技术领域，包括以下步骤：数据预处理；B、通过双路TSN网络分别对主要人物候选框和整张图片的外观和运动特征进行提取，得到单人局部空间外观信息单人局部时序运动信息全局空间外观信息和全局时序运动信息C、特征融合及组群行为识别；D、对模型进行训练和测试。本发明的有益效果是，特征提取方面，进一步保证其提取的全面性；特征融合方面，使用通道注意力模型，以获得更具区分性的特征，来提高组群行为的准确率。
-
公开(公告)号：CN111414846A
公开(公告)日：2020-07-14
申请号：CN202010192335.3
申请日：2020-03-18
Applicant: 青岛科技大学
Abstract: 本发明公开一种基于关键时空信息驱动和组群共现性结构化分析的组群行为识别方法，1)基于关键人物候选子网络获得组群中每个成员的重要性权重；2)将个人重要性权重和边界框特征输入至主网络CNN，获得输入到层叠LSTM网络的空间特征；3)以2)的输出作为输入进行共现性特征建模，通过对层叠LSTM内部神经元分组，实现不同的组学习不同的共现性特征，获得组群特征；4)将边界框特征输入到关键时间片段候选子网络进行特征提取，获得当前帧的重要性权重；5)将3)中获得的组群特征和4)中获得的当前帧的的重要性权重相结合获得当前帧的组群特征，并将其输入到softmax进行组群行为识别，完成分类任务。本方案基于关键时空信息提取组群重要成员特征以及关键的场景帧，并结合共现性处理组群行为内部的交互信息，实现组群行为识别精度的提升。
-
公开(公告)号：CN111062297A
公开(公告)日：2020-04-24
申请号：CN201911266994.0
申请日：2019-12-11
Applicant: 青岛科技大学
Abstract: 本发明提出一种基于EANN深度学习模型的暴力异常行为检测方法，包括(1)获得待检测视频，基于帧差法对视频中连续两帧进行差分，得到差分图像作为EANN模型的输入；(2)基于卷积神经网络Efficentnet提取图像空间特征；(3)基于ConvLSTM对步骤(2)中提取的空间特征进行连续时间上的编码，获得视频的局部时空特征；(4)针对步骤(3)所获得的时空特征，利用注意力机制对剧烈运动部分进行加强；(5)基于全连接层对步骤(4)的输出进行分类，得到该视频暴力异常行为的概率，进而实现对暴力异常行为的检测。本发明所提出的方法在保持精度损失很小的情况下，大幅度降低了参数量，提升网络运行速度；与传统方法相比，精度提升幅度明显，鲁棒性强，具有较高的实际应用及推广价值。
-
公开(公告)号：CN110363794A
公开(公告)日：2019-10-22
申请号：CN201910645583.6
申请日：2019-07-17
Applicant: 青岛科技大学
IPC: G06T7/269
Abstract: 本发明公开了一种视频连续帧之间的光流预测方法，涉及计算机机器视觉技术领域，包括以下步骤：步骤a：通过可形变卷积单元提取相邻帧空间特征；步骤b：对相邻帧空间特征进行融合重构；步骤c：对融合重构的特征进行反卷积操作，构建网络堆栈；步骤d：利用损失函数训练网络堆栈；步骤e：输出结果。本发明的有益效果是：将卷积核从根本结构形式上进行优化，将固定的方形卷积改为可形变卷积，提升了预测精度并节约了运算资源；通过训练将融合的特征重构并重新分配参数及通道权重，从而在少量增加计算成本的情况下最大限度保留相邻帧的特征相关性。
-
Patent Agency Ranking
公开(公告)号：CN110335245A
公开(公告)日：2019-10-15
申请号：CN201910425601.X
申请日：2019-05-21
Applicant: 青岛科技大学
Abstract: 本发明公开了一种基于单目时空连续图像的网箱网衣破损监测方法及系统，所述方法包括非监督学习网络模型训练步骤；网衣图像处理步骤，包括：（1）、采用单目相机对网衣进行扫描，获取多幅空间连续的网衣局部图像；（2）、将网衣局部图像输入非监督学习网络模型，得到网衣初步图像；（3）、对网衣初步图像中被遮挡的区域进行修复和拼接，获得网衣整体图像；（4）、对网衣整体图像进行破损检测。本发明的网衣破损监测方法，整个过程自动检测分析，可有效降低网衣破损检测中的人力消耗，实时高精度的监测出网衣破损情况。且本方法需要的硬件配置较水下机器人简单，成本低。
-
公开(公告)号：CN110175551A
公开(公告)日：2019-08-27
申请号：CN201910426216.7
申请日：2019-05-21
Applicant: 青岛科技大学
Abstract: 本发明公开了一种手语识别方法，包括：对手语视频所对应的视频序列进行频域变换，得到图像的相位信息；将相位信息和视频序列送入C3D卷积神经网络进行一次卷积并融合，形成特征信息；将所述特征信息送入深度卷积神经网络进行二次卷积和池化，并在池化过程中执行自适应学习池化算法，筛选出目标特征向量，送入全连接层输出分类结果。本发明将频域变换结合到深度学习算法中，利用频域变换提取出手语视频中的相位信息，辅助RGB空间信息，送入深度学习网络生成手语的特征，由此获得的特征更为本质、准确。通过在3D卷积神经网络模型的池化层加入自适应学习池化算法，可以挖掘到手语视频中更为抽象、高级的视频特征，得到更为精确的分类结果。
-
公开(公告)号：CN107122780A
公开(公告)日：2017-09-01
申请号：CN201710116534.4
申请日：2017-02-28
Applicant: 青岛科技大学
CPC classification number: G06K9/4642 , G06K9/6218
Abstract: 本发明提出一种基于时空特征点的互信息与时空分布熵的行为识别方法，其包括以下步骤：提取视频流时空中有效的时空特征点并构建描述符；对所有STIPs描述符进行聚类，将每个聚类中心作为视觉词典中的一个视觉单词；对得到视觉词典中的视觉单词两两之间的时空关系进行描述生成视觉词典共生矩阵；对每个视觉单词内的时空特征点的时空分布进行描述生成环形特征点直方图与时空分布熵；融合视觉单词、时空特征点共生矩阵、环形时空特征点直方图与时空分布熵三种信息作为一个视频序列的描述符，利用支持向量机SVM进行行为分类识别。该方案克服传统BOVW忽略了特征点之间的时空信息的缺点，兼顾了STIPs的全局时空信息与局部空间分布。
-
公开(公告)号：CN102509089A
公开(公告)日：2012-06-20
申请号：CN201110386107.0
申请日：2011-11-29
Applicant: 青岛科技大学
Abstract: 本发明公开了一种逐行扫描识别斑马线及测量斑马线距离的方法，所述识别斑马线的方法包括下述步骤：构建包括奇小波函数和偶小波函数在内的小波函数模板；逐行扫描待检测图像，将每扫描行中所有像素点的灰度值向量分别与奇小波函数和偶小波函数作卷积运算；定义响应函数公式，并根据公式计算扫描行中所有像素点对应的响应函数向量；根据响应函数值及设定阈值识别斑马线。在识别出斑马线之后，通过预先对成像设备所成图像与成像设备距离进行标定，可以获得首次检测到斑马线的扫描行距离成像设备的距离，从而实现对斑马线距离的测量。本发明利用小波模板对图像采取逐行扫描来识别斑马线，斑马线识别抗干扰能力强，识别精度高，识别速度快。
-
公开(公告)号：CN111339908A
公开(公告)日：2020-06-26
申请号：CN202010111024.X
申请日：2020-02-24
Applicant: 青岛科技大学
Abstract: 本发明公开一种基于多模态信息融合与决策优化的组群行为识别方法，首先针对待进行组群行为识别的视频，获取组群成员候选框序列，提取其对应的光流特征，并提取人体姿态分割特征作为第三重视觉线索；然后获取人体目标时空特征的双流模型并将其进行多模态信息融合(MMF)；最后将经过MMF融合后得到的两条支路分别连接GRU，并采用基于自适应类别权重的多分类器融合方法进行决策优化，进而获得组群行为标签。本发明方案在特征融合时，设计MMF特征融合算法使得时空两路特征相辅相成，信息互为补充，最终获得更好的特征表示；在决策优化方面，设计基于自适应类别权重的多分类融合方法，对分类器取舍与各类别权重进行更加精确的计算，从而取得较高的识别精度。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.033 seconds)
