摘要：暴力行为形式多样,造成同属暴力行为类别的动作之间区分非常大,这是暴力建模更为困难的主要原因。针对该问题,提出了类内互学习的暴力行为识别模型,以孪生网络为架构,首先,通过交互输入过程使同一时刻输入孪生网络的标签相同,而样本不同;然后,经过孪生网络提取特征,并在输出向量中嵌入类内信息;最后,设计交互损失函数,并联合交叉熵损失函数共同优化模型,使模型不仅可以区分不同标签的视频信息,还能使模型学习同一类别下不同视频的差异。为了验证该模型的有效性,对比分析了独立模型、互学习模型和类内互学习模型在暴力行为数据集RWF2000和RLVS2000上的准确率,最终在测试集上分别达到了89.00%和98.75%的识别精度。

摘要：目的视频行为识别和理解是智能监控、人机交互和虚拟现实等诸多应用中的一项基础技术,由于视频时空结构的复杂性,以及视频内容的多样性,当前行为识别仍面临如何高效提取视频的时域表示、如何高效提取视频特征并在时间轴上建模的难点问题。针对这些难点,提出了一种多特征融合的行为识别模型。方法首先,提取视频中高频信息和低频信息,采用本文提出的两帧融合算法和三帧融合算法压缩原始数据,保留原始视频绝大多数信息,增强原始数据集,更好地表达原始行为信息。其次,设计双路特征提取网络,一路将融合数据正向输入网络提取细节特征,另一路将融合数据逆向输入网络提取整体特征,接着将两路特征加权融合,每一路特征提取网络均使用通用视频描述符——3D ConvNets(3D convolutional neural networks)结构。然后,采用BiConvLSTM(bidirectional convolutional long short-term memory network)网络对融合特征进一步提取局部信息并在时间轴上建模,解决视频序列中某些行为间隔相对较长的问题。最后,利用Softmax最大化似然函数分类行为动作。结果为了验证本文算法的有效性,在公开的行为识别数据集UCF101和HMDB51上,采用5折交叉验证的方式进行整体测试与分析,然后针对每类行为动作进行比较统计。结果表明,本文算法在两个验证集上的平均准确率分别为96.47%和80.03%。结论通过与目前主流行为识别模型比较,本文提出的多特征模型获得了最高的识别精度,具有通用、紧凑、简单和高效的特点。

摘要：本设计以STM32F103Zet6单片机作为核心微控制器,通过连接的外围传感器,自动采集桌面周围的环境信息;单片机将采集的基本信息处理后,上传到OneNET物联网开放平台;通过简单的人机交互,实现工作时长的记录与提醒、书桌环境自动监测、在弱光照条件下台灯自动调光、手动或自动调节书桌高度、一键还原记忆高度等其它人性化的功能。该设计融合了传感器技术和物联网技术,将红外、温湿度、光强、倾角、WIFI、步进电机等模块有机组合,巧妙地设计了一种多功能智能书桌,可应用于家庭、办公室、宿舍等场合。