王新宇
- 作品数：3 被引量：5H指数：2
- 供职机构：复旦大学信息科学与工程学院电子工程系更多>>
- 发文基金：国家教育部博士点基金更多>>
- 相关领域：自动化与计算机技术电子电信更多>>
- 一种具有目标匹配约束的加权多示例学习视频目标跟踪算法
- 2015年
- 以多示例学习(Multiple Instance Learning,MIL)目标跟踪方法为代表,基于自适应辨别模型的视频目标跟踪算法近年来得到广泛重视,这些算法用分类器对图像进行处理,将使分类器置信最大的采样样本作为当前帧的跟踪结果.在此基础上,基于加权多示例学习(Weighted Multiple Instance Learning,WMIL)的目标跟踪算法提出在分类器学习阶段对正样本进行重要性采样,加大正包内正样本的贡献,达到更好的跟踪效果.然而,当前一帧输出结果不准确时,会使得分类器学习性能下降,从而引起目标漂移或跟踪失败.本文基于WMIL算法,提出用目标匹配约束预判断当前帧是否存在目标漂移,从而对下一帧采样中心位置进行矫正,达到抑制目标漂移以及避免跟踪失败的效果.仿真结果表明,本算法在标准视频测试集上都取得了较优的结果.
- 蔡瑾王新宇聂勇冯辉杨涛胡波
- 关键词：视频目标跟踪
- 基于目标检测及高密度轨迹的动作识别被引量：2
- 2016年
- 为了实现准确的动作识别效果,我们通常需要提取能够充分代表运动特征的信息。近年来,基于高密度轨迹的动作识别方法因为能够提供丰富的时空信息而受到研究者们的广泛关注。但高密度轨迹类的动作识别算法通常都要面临背景冗余信息干扰的问题,为了解决这一问题,本文在高密度轨迹的动作识别方法基础上引入了目标检测算法,通过可变形块模型方法检测运动主体位置后计算其周围的高密度轨迹,有效地排除了背景冗余信息的干扰。而目标检测算法通常要面临丢帧问题,为了应对这一情况,本文采用了词袋模型和支持向量机进行动作特征表述和分类,词袋模型根据大量数据词频构建特征描述符的工作原理,使得目标检测偶有丢帧的情况并不影响动作识别的最终效果,结合高密度轨迹算法后有效地提高了传统高密度轨迹算法的效率,也获得了更为准确的识别效果。本文算法在KTH,UCF YouTube和UCF Sports数据集上较当前算法都取得了更高的动作识别准确率,尤其在复杂背景数据集UCF YouTube和UCF Sports上识别准确率分别可达89.2%和90.2%。
- 王新宇谌达冯辉杨涛胡波
- 关键词：目标检测
- 基于运动及形状原语的人体动作识别被引量：3
- 2014年
- 为了进行动作识别,需要对动作的运动与形状信息进行特征表示与建模。由于动作可以由一系列原语即子动作构成,提出了一种新的基于运动特征和形状特征的原语提取及动作表示方法。该算法首先从动作的运动特性出发,通过分割每一帧中的运动区域来提取运动特征,同时利用梯度直方图提取形状特征。通过分层聚类的方式提取具有类内代表性及类间判决性的原语,并利用混合高斯模型对原语进行特征表示。最后利用基于运动及形状原语的序列匹配进行动作识别。实验表明,该算法在KTH和UCF数据集上较现有方法取得了更高的识别正确率,分别为95.14%和90.00%。
- 应锐王新宇冯辉杨涛胡波
- 关键词：原语分层聚类
