关键词： 序列挖掘   兴趣模式   泛娱乐移动平台   用户行为分析  

摘要： 泛娱乐是现阶段互联网发展的重要特征之一,移动互联网泛娱乐化的趋势,激活了用户固有的、旺盛的娱乐社交需求。用户在产品使用过程中产生了大量日志,包含了一切行为的时间、地点、内容、互动、消费等信息,企业如何充分利用用户在其产品上留下的海量日志,运用数据挖掘技术,对用户进行深刻洞察,挖掘用户属性,揣摩用户的喜好,提取出对企业有价值的信息,以实现平台效益的最大化,也成为了工业界和学术界一个热点研究话题。带有时序信息的行为日志,又称为行为路径,蕴含了用户跳转习惯、路径偏好等有价值的信息,为了引导用户持续深入体验产品的价值,最大限度的激发用户兴趣,互联网行业普遍采用用户行为路径分析方法,该方法又可以称为行为序列模式挖掘,是一种将序列挖掘技术与用户行为路径相结合,探索行为规律,发现兴趣模式,从而获知产品使用情况,找到优化方向的分析方法。本文积极探索了行为序列模式识别技术在用户兴趣发现中的应用,从挖掘偏好路径、提取关键功能点、分析低活跃用户特征三个角度,构建了一个多层次用户兴趣分析体系,并以某泛娱乐平台的用户真实行为数据为基础,通过实验,论证了该体系的可行性,具体工作如下。首先提出了有效行为和有效序列的概念,并据此完成了数据清洗和整理,形成了供后续分析的基础数据,然后从序列长度、行为种类等角度进行了基本的数据探索和特征分析。其次,基于隐马尔可夫模型的参数估计问题,设计实验,进行了用户兴趣模式的挖掘。实验根据序列长度将基础数据进行了分组,并且为了保证模型科学训练,不被分布差异过大的数据所误导,本文还提出了针对性的分层采样方案。在结果评估阶段,基于已知行为所属场景天然属于隐藏状态的事实,设计出了隐藏状态准确率的指标,利用该指标挑选出了较优模型,进而模拟出最可能的行为路径,从这些模拟的路径中发现出了用户的路径偏好规律,并说明了这些模拟序列在兴趣发现中的实际指导意义。然后,为了解决泛娱乐平台中重要功能的发现问题,本文基于数学领域中图论的思想,提出了以行为为节点,以行为的跳转关系为边构建图的方案,将问题抽象成为图论中的关键节点发现问题。在关键节点发现的方案中,选用了三种从不同角度刻画节点重要性的指标。在实验分析阶段,利用不同序列长度的分组数据,分别进行了图形的构建和关键节点的发现,并在每个指标下得出了头部的结果,通过对比不同组别和不同指标的结果,给出了对系统起到重要作用的功能,并针对这个结果对产品提出了优化建议,证明了该场景下图模型的可行性。最后,聚焦于泛娱乐生态促活问题,设计了对比实验,将平台的低活跃用户和高活跃用户的行为序列进行对比,以高活跃的数据指标作为参考,观察指标为界面跳出率和界面退出率,提出了用于衡量两组数据差异度的指标比例差值。针对跳出率和退出率,选取比例差值大于阈值的行为界面作为实验结果。然后从实际业务出发,解释了这些界面对用户流失造成了哪些具体的影响,并给出了优化方案,最后还提出了其他针对性的的促活建议。

关键词： 森林火灾   FPGA   图像预处理   特征提取   模式识别  

摘要： 火灾对森林造成的破坏难以估量,对森林火情实时监测,尽可能早的发现识别是否有火灾发生具有重大现实意义。在森林安全防护方面,国内外众多学者进行了研究并进行了森林火灾监测的实际应用。由于监控设备的监测范围有限、同时受林区环境影响,导致监控系统实时性差、覆盖范围有限等问题,针对这些问题,研究了一种基于红外监控技术的林火安防实时监测系统。本文的主要研究内容包括:(1)分析了红外热成像的原理,对比了其于可见光在森林火灾图像方面的特点,研究了火势蔓延的特点,提出基于红外视频图像的林火监测识别方案;(2)设计了基于FPGA的红外图像视频硬件采集系统,其主要有图像采集模块、数据缓存模块和VGA显示模块,达到了视频实时显示的要求;(3)对采集的火灾红外视频进行图像预处理:首先对红外视频进行直方图均衡性校正,然后对视频通过帧差法检测出火灾疑似区域,再通过Canny算子进行疑似区域边缘检测并将疑似区域从背景中分割出来,最后进行数学形态学的闭运算操作,得到完整的分割部分;(4)对分割出来的疑似区域进行火焰的静态特征、纹理特征和动态特征进行提取,并进行数据归一化处理,分析了提取的特征能够排除那些非火灾因素的干扰;(5)对火灾进行模式识别:通过提取的疑似区域特征来进行支持向量机分类器进行识别,选取径向基核函数作为向量的核函数并采用交叉验证法确定惩罚因子c和核函数参数g的值,之后与BP神经网络的火灾识别性能进行比较,前者在识别效果上更好,在测试样本上准确率高达93.8333%,最后采用MATLAB和Visual C++软件通过混编的方式实现林火安防实时监测平台。本论文的研究成果可作为森林防火监测领域的参考资料,为林火行为的研究以及扑火现场指挥提供重要的火场信息服务,具有一定的参考价值。

关键词： HD-sEMG   空间滤波   小波包变换   支持向量机   模式识别  

摘要： 手是人体运动最灵活的器官之一,手部动作研究一直是康复医疗领域中一个值得关注的研究内容。现在的智能假手只模拟肢体的闭合、张开等简单动作,不能进行精细动作模拟。而应用高密度表面肌电(High Density surface EMG,HD-sEMG)信号采集系统,能克服传统表面电极无法识别肌肉群sEMG信号的缺点。较多通道能检测覆盖在限定皮肤区域的肌肉电信号,获取整块肌肉活动区域sEMG信号的时域和空间域分布信息,利于对精细动作sEMG信号的解析。由于人体手部运动尤其手指的EMG信号解析较困难,本文提出一种针对手指精细化动作的HD-sEMG信号解析方法,对实验者手指四种不同弯曲角度(15°,45°,70°和90°)时指浅屈肌的HD-sEMG信号进行解析。在本研究中,首先,将16通道HD-sEMG电极置于指浅屈肌上进行HD-sEMG信号采集。在数据预处理方面,分别应用主成分分析(Principle Components Analysis,PCA)、快速独立元分析(Independent Components Analysis,ICA)和多类别共同空间模式(Multiclass Common Spatial Patterns,Multiclass CSP)对采集的HD-sEMG信号进行空间滤波,以减少冗余信息,降低数据维数,并求得分离矩阵以实现对原始信息的重构。为了减少通道数量,即将肌肉电信号较强的通道从原通道中筛选出来,提出基于Multiclass CSP通道间互信息最大化的通道选择方法,并将通道按互信息最大化进行降序排列。其次,在特征提取方面,分别提取预处理后HD-sEMG信号的时域、频域和经小波包变换(Wavelet Packet Transform,WPT)分解后的时频域特征。此外,将经小波包变换分解后的时频域特征与基于互信息最大化的通道选择算法提取的HD-sEMG信号的空间特征相结合,对以上特征集进行比较分析可得,时-空-频域相结合的特征集对手指四种动作模式具有更明显的特征表示。最后,将不同空间滤波数据的时频域特征与时-空-频域特征相结合的特征集训练线性判别分析(Linear discriminant analysis,LDA)、人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support Vector Machine,SVM)三种分类器,得出采用时-空-频域特征相结合的支持向量机分类器,当仅选择5路原信号通道时,便能达到86.7%的识别率。

关键词： Φ-OTDR   周界安全监测   特征提取   模式识别  

摘要： 随着我国铁路快速发展,铁路运输不断提速、里程持续增加,确保铁路安全运行、防止潜在的事故发生,必须对铁路周界的安全进行监测。对重点区域周界入侵实现自动、准确、实时的报警显得尤为重要。分布式光纤传感系统中的光纤材质具有抗电磁干扰、抗辐射、耐压、耐腐蚀、体积小、重量轻、适应恶劣环境等诸多优点,本文研究的系统基于相位敏感光时域反射仪(Phase-sensitive optical time domain reflectometry,Φ-OTDR)技术,因此分布式光纤传感系统对相位的测量具有足够的灵敏度,特别适合于这项任务。本文利用该系统对周界现场振动信号进行采集与处理,进而实现周界入侵事件的智能识别,提高了铁路监控的准确性和智能化。利用分布式光纤传感系统进行铁路的周界安全监测,经过实际测试,系统能够对不同的周界入侵行为准确识别,利用该系统还能够对事件有无威胁进行判别。本文的研究对于降低铁路周界安防误报率具有重要意义,对工程应用提供了一种实用的解决方案。本文在相位敏感型光时域反射仪基础上,介绍了光纤中后向瑞利散射的原理,针对传统分布式光纤传感系统的不足,深入研究了分布式光纤传感系统的传感原理及信号特点,搭建了分布式光纤传感系统,为后续信号处理和模式识别提供理论和方法支持。研究了最常用的几种模式识别方法,重点介绍了支持向量机以及BP神经网络方法及特点,并阐述了BP神经网络的优势。基于项目进行现场勘探,在实地搭建了光纤分布式周界安全监测系统,并进行数据的采集,利用MATLAB和LabVIEW对信号进行处理。提出一种基于小波包变换的多参量模式识别方法。提取峰峰值、短时过电平率、方差及小波包能量等特征参量作为神经网络的输入,同时将现场采集的数据用于模型的训练与测试。基于MATLAB的神经网络设计程序,利用采集的现场数据,提取其特征参量,基于铁路围栏对摇晃刺笼、攀爬围栏、敲击围栏、过重载车、过火车及刮风等行为进行模式分类。对于两种行为的模式分类,识别率达到91.39%;多种行为的模式分类,有无威胁信号的识别率达到83.25%。研究并实现了LabVIEW与MATLAB混合编程,利用MATLAB script节点技术将MATLAB中训练好的最优网络导入,输入待测信号进行模式分类。

关键词： 人工智能   计算机视觉   模式识别   深度学习  

摘要： 近年来,人工智能(Artificial intelligence)已经逐渐成为新一轮科技革命和产业变革的核心驱动力,正在对人类生活的方方面面产生极其深刻的影响。随着互联网大数据和高性能并行计算的快速发展,计算机视觉(Computer Vision)领域的相关研究也在过去几年取得了重要进展,成为人工智能领域的重要应用分支之一。作为计算机视觉研究的主要工具,以深度神经网络为代表的模式识别(Pattern Recognition)技术也取得了重大突破。本文从具体应用任务出发,对计算机视觉和模式识别领域发展过程中的重要技术进行了梳理,并对具有代表性的研究成果进行了总结。最后,本文介绍了计算机视觉和模式识别技术的一个典型应用领域——生物特征识别,并对未来的发展趋势进行了展望。

关键词： 超声无损检测   小波包变换   经验模态分解   粒子群优化算法   支持向量机  

摘要： 超声无损检测是五种常用无损检测方法之一,目前已在工业领域得到了较为广泛的应用。本文结合小波包变换(WPT)和经验模态分解(EMD)在分析非平稳信号的优点,基于核主成分分析方法(KPCA)在处理非高斯分布的数据,以及去除与样本分类不相关和冗余的特征信息的优势,改进的粒子群优化算法能够有效地收敛到全局最优解的优点以及支持向量机能够很好地解决小样本、非线性、高维数和局部极小点等实际问题的优越性,提出了一种超声波检测缺陷深度的模式识别方法。本文对超声波检测腐蚀缺陷深度大小的分类识别方法进行了研究,主要的工作如下:首先,介绍了超声波无损检测的基本理论。重点介绍了超声波场及介质的声参量、超声波垂直入射平面的透射和反射、超声波检测方法、缺陷信号显示方法和缺陷的定量、定位和定性分析等方面进行了探讨分析,为后续的超声波检检测缺陷的实验实现作了理论准备。其次,主要结合小波包变换(WPT)和经验模态分解(EMD)在分析非线性非平稳信号的优势以及基于核的主成分分析(KPCA)在处理非高斯分布的数据,以及去除与样本分类不相关和冗余的特征信息的优势,实现了对缺陷超声检测信号特征的提取和优化。通过实验表明,通过小波包变换(WPT)和经验模态分解(EMD)分解后对各级信号中提取的联合特征虽然能够较为全面表征缺陷信号,但是其中含有一些冗余特征,且与样本分类不相关,增加了分类器的计算的复杂度,而且降低了分类器的准确率。采用了基于核的主成分分析的特征优化方法能够有效地克服选择特征的盲目性,从联合特征组消除了冗余的特征信息,在数据空间中找到一组能够解释数据方差的特殊向量矩阵,进而减少了分类器计算的复杂度,使其分类的准确率和检测效率得到有效地提高。再次,引入了支持向量机算法和改进后的粒子群优化算法。首先介绍了统计学理论的中VC理论和结构风险最小化原则;描述了支持向量机的最优分类面、线性学习机以及SVM的非线性映射,并对支持向量机模型选择进行了相关的介绍。进一步,在标准的粒子群算法的基础上,提出了改进的粒子群算法(IPSO)。最后,基于IPSO-SVM模型深度缺陷分类识别的流程,主要包括缺陷深度信号数据的采集和处理、基于经验模态分解(EMD)和小波包变换(WPT)对缺陷信号数据进行特征提取、基于核主成分分析方法对提取的原始特征进行进一步的优化、基于改进的粒子群算法对支持向量算法的核函数的参数γ和惩罚因子C、基于支持向量机算法利用改进的粒子群算法优化后的参数实现对缺陷深度信号的分类识别这6个步骤;然后介绍了缺陷检测的实验系统设计、实验系统工作原理以及实验系统中的硬件介绍。将通过实验获取的深度缺陷信号,进行零均值处理和趋势项去除,通过小波包变换(WPT)和经验模态分解(EMD)得到84个联合时域无量纲统计特征,并通过核主成分方法进行优化。将优化后的样本和未经优化的样本,分别基于GA-SVM、PSO-SVM和IPSO-SVM进行缺陷深度的分类识别,通过实验结果对比得出,经过核主成分分析方法(KPCA)优化后的特征值比未经优化的原始特征值能够有效地表征样本,使用优化的样本进行分类比未经优化的样本分类正确率较高,以及基于改进粒子群优化支持向量机模型(IPSO-SVM)在对不同深度的缺陷的分类上,比基于遗传算法优化的支持向量机模型(GA-SVM)和基于标准的粒子群优化的支持向量机模型具有较高的分类正确率,用改进后的粒子群算法优化支持向量机明显地提升了分类器的分类能力和泛化能力,是一种有效的优化支持向量机参数的方法,IPSO-SVM分类器模型适用于不同深度缺陷的分类。实验结果表明,本文提出的超声检测缺陷深度模式识别方法是可行有效的,可以应用于缺陷深度的模式识别。

关键词： 神经指纹   阿尔茨海默病   首发精神病   磁共振多模态   脑网络分析   模式识别  

摘要： 脑慢病在神经发育和衰老过程中对神经系统造成渐进性严重损害,具有病程长、异质性强、病理机制不清、缺乏有效治疗手段等特点,因此临床早诊断和早干预刻不容缓。磁共振成像技术作为一种无创的大脑可视化手段,其多模态的特点能够为临床医生评估脑慢病提供有效途径。然而由于目前针对脑慢病的神经影像定量分析仍缺少系统的理论体系,影像特征间缺乏关联,导致影像科医师的阅片效率低,误诊率较高。因此,本论文提出了基于脑磁共振影像精准分析的神经指纹,以数据驱动的方式为脑慢病的影像学研究提供了一个统一且可扩展的分析体系。在此框架下本论文考察了多模态磁共振影像特征之间的相互关系,针对不同连接组类型有效拓展了人脑复杂网络的定量分析方法,并选取了阿尔茨海默病与首发精神病两种典型的复杂脑慢病进行了具体研究,研究成果面向脑慢病机制探索、早期识别、亚型分型、病程追踪等多种临床应用,为未来脑慢病的精准诊断和精准干预提供了科学依据和参考标准。本文研究内容主要分为以下几个部分:1.基于多脑图谱分割的图谱预选研究。针对基于多脑图谱分割算法的脑图谱选择缺乏统一标准的问题,本文设计了基于不同年龄组别、不同图谱分级粒度以及不同脑图谱数量的分割性能测试框架,重点提出了两种脑图谱预选策略,即针对特定脑区计算脑图谱与目标图像的脑区结构相似性,并以此作为图谱的匹配度排序指标。研究结果表明,新提出的图谱预选方法相比于传统方法和在分割准确度和计算效率上均表现出明显优势,使得神经指纹技术的空间分析精准性得到了有效提升。2.多模态影像指纹特征研究。针对精神类脑慢病缺乏显著磁共振影像标志物的问题,本文利用磁共振多模态影像数据对强异质性的首发精神病进行神经指纹特征挖掘,通过基于图谱的脑区分析降低了影像分析维度,提高了影像特征的统计效力,同时利用外部数据集验证了疾病指纹特征的可重复性。研究结果表明,首发精神病人群在脑白质与脑功能连接的指纹特征可重复性好,同时多模态影像指纹特征相比单模态具有更强的疾病分辨力。3.脑共变网络指纹特征研究。针对早期神经类脑慢病在磁共振影像上缺乏明显影像标志物的问题,本文以临床前期阿尔茨海默病为例,在传统脑解剖学共变网络分析的基础上,进行了脑区空间覆盖度和成像模态两方面的扩展,并通过群组共变网络聚类及统计分析探索疾病的脑连接组学指纹特征的异常变化。研究结果表明,与部分脑区相关的本征生理学共变网络遭到了淀粉样蛋白沉淀的破坏,提示患者的大脑神经元在症状发生前已受到损伤。4.脑功能网络指纹特征研究。针对脑慢病异质性强、亚型分型界定模糊的问题,本文以首发精神病为例,利用因子分析,挖掘了患者不同维度的认知功能因子,在此基础上利用典型相关分析与层次聚类法对患病人群进行了神经生理亚型划分,这种分型方法能够将脑慢病指纹特征与认知表型建立起对应关系,为疾病的精准治疗与预后提供指导。研究结果表明,该疾病的不同亚型在脑功能网络与认知功能上的表达具有明显差异性。5.脑结构网络指纹特征研究。脑慢病患者的脑结构网络被认为受到了疾病的破坏,然而如何精准定位脑网络中的异常脑连接尚缺乏有效的方法。本文以轻度认知障碍及阿尔茨海默病为例,利用多变量回归统计分析方法,针对个体脑网络中的海量结构连接进行高通量筛选,从而有效挖掘出与疾病发展相关的指纹特征变化。研究结果表明,该疾病患者表现出了大范围的皮层-皮层下区域结构网络重组,提示相关神经环路的损伤。综上,本论文在神经指纹技术框架下针对两种典型脑慢病的磁共振影像数据进行了精准定量分析,这些研究结果为理解脑慢病的病理机制提供了重要参考,为脑慢病临床精准防诊治提供了新的思路。

关键词： 局部放电   最小二乘支持向量机   小波包分析   分形维数   模式识别  

摘要： 为了快速准确的识别局部放电的类型,提出了一种基于最小二乘支持向量机的局部放电模式识别的新方法.文中应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形特征作为最小二乘支持向量机的输入,然后应用最小二乘支持向量机的多分类算法来识别不同的放电类型.识别结果表明,该方法有效、可行,具有较高的识别率.

关键词： 农地城市流转   效率   非意愿产出   区域差异   模式  

摘要： 中国自改革开放以来经历了史无前例的城镇化进程,其速度、规模堪称世界之最。然而,城市化进程中存在的粮食安全问题、资源配比问题、生态环境问题同样不容忽视。本研究为了解湖北省农地城市流转状况,分析了流转效率的空间分布及效率差异原因,以湖北省县级行政单位为研究对象,首先运用SBMUndesirable模型测度了农地城市流转效率,其次用聚类方法分析了效率空间分布状况,最后运用决策树方法识别农地城市流转模式并提出效率改进方式。具体研究结论如下:第一,湖北省农地城市流转整体效率不高,高效区域较少且集中分布于湖北省“一主两副”经济增长极,但增长极内部的县级行政单位间效率差距十分显著,其余城市效率值与高效区域差距依旧明显,其中随州、鄂州全境效率值均小于0.1;此外,省内效率较高且有带动效率提升作用的区域也位于“一主两副”核心城市但数量较少,效率较低且周围各区域同样低效的区域大多境内无支柱工业,以发展农业为主。第二,湖北省农地城市流转典型模式有三种:土地短缺型模式、资本冗余型模式以及劳动力过密型模式。土地短缺型模式下的区域位置分布存在两种情况,其一为汽车、冶金、化工等产业集群区域,这些城市虽具有一定工业基础,但规模上未形成规模效益,技术在全国不算领先,未能发挥较大的区域经济发展带动作用;其二为农业大市和生态旅游城市,这些区域以第三产业为主,但产业现代化程度较低。资本冗余型模式下的区域位于湖北省经济发展中心,这些区域资本投入效率较低,且污染严重。劳动力过密型模式下的区域大部分位于山区,交通不便,且远离湖北省的城市圈、城市群,被发展战略边缘化;区域内以农业为主,二三产业并不发达,肩负脱贫致富与生态保护的双重任务。第三,土地短缺型模式下的区域可适当放宽农地城市流转指标,增加流转量以吸引更多二三产业落户,促进城市化进程推进;资本冗余型模式下的区域由于投资过高而导致低效率,可升级产业结构,鼓励高新技术的发展,以技术而非资本推动经济发展和城市化进程,同时提高企业准入门槛,精减固定资产投资以提高效率;而劳动力过密型模式下的区域人多地少,对于二三产业而言易于使产业结构倾向于向劳动力密集型发展,可在其区域劳动力人数达到一定数量后适当增加流转的农地数量,促进二三产业结构优化,增加就业机会,推动企业创新。

关键词： 交通异常事件检测   行为识别   姿态估计   模式识别   深度学习  

摘要： 交通路口异常事件是影响交通正常运行的重要因素,且交通路口作为公共出行集中度较高位段,公共安全事件的发生影响范围广。随着城市发展和生活水平的逐步提高,快速的城市化过程,使得北京迅速成为排名世界前20位的超大型城市。但是,同样随着城市的发展和机动车量的迅速增加,城市交通环境急剧恶化,交通拥堵成为城市的常态,据统计60%-70%交通拥堵受到交通事故的影响。本课题研究为交通路口异常事件检测和识别提供了研究思路,为交通路口异常事件类型识别提供了技术支撑,对于交通路口异常事件的及时发现、及时处理能够减少或疏解交通拥堵情况有重要意义。能够提高相关部门针对异常事件的及时性反馈和救援效率,避免危害事件的扩大化,有效的减少人民生命财产安全受到的危害。基于视频的事件检测作为一种快速、无损、高效的检测方法,成为交通监控异常事件的主要手段。由于交通环境复杂,影响交通运行条件多样,基于视频的自动化检测方法并不完善,主要存在如下问题:1)大多数交通异常事件的检测,只能够检测到异常事件的发生,而并不能识别交通异常事件发生的类型,难以实现异常事件的快速处理和反馈;2)现有的交通异常事件一般注重交通车辆的运行而忽略了行人在交通异常事件中处于的弱势地位和主导地位。本论文作为自选课题,针对交通路口异常事件的影响,对交通路口异常事件类型,以及相关技术方面进行研究。本论文研究内容主要包括以下三个方面:1)行人目标的准确性分割方法,用于个体行人目标的精确性分割;2)人体行为的低秩纹理描述,用于群体异常事件类型识别。3)基于人体关键点分析的人体姿态估计,用于行人倒地事件类型识别。本文的主要研究工作及创新点如下:(1)针对交通路口目标检测范围背景信息的影响,提出了一种基于全局显著性的双窗Fisher自适应目标分割方法,可以快速准确提取目标,减少目标背景的影响。针对个体目标的邻域环境相对连续、统一问题,提出对目标进行全局显著性提取获得目标的显著性图。结合双窗阈值分割结构简单且能兼顾不同局部信息的误差和Fisher线性判断阈值能够准确合理的自适应选择阈值的优点,提出一种双窗Fisher自适应阈值分割方法,对个体目标的显著性图进行阈值分割,实现个体目标的准确性提取,避免个体目标邻域背景信息的影响。(2)针对群体事件研究群体密度方法的复杂性,提出了一种基于低秩纹理方向的人体描述方法,并以此为基础,构建群体异动事件模型,识别不同的群体异动事件。人体本身带有的纹理特征伴随人体行为改变而改变,将人体目标作为整体纹理进行提取,由于人体行动方向所带动的人体结构具有倾向性,其表现在图像中为所选择的个体目标区域为稀疏矩阵区域,具有较高的秩。而人体直立或相对直立时,人体区域矩阵密集,同样具有较高的秩。不同之处在于,稀疏矩阵能够进行压缩,获得较低的矩阵秩。密集矩阵并不随着矩阵压缩而降低矩阵秩。低秩纹理特征提取能够将选择的图像区域进行矩阵压缩,以便获得较低的矩阵秩。计算获得选择图像区域的低秩方向,从而对图像选择区域进行转换,形成图像目标的低秩纹理方向和运动趋势描述特征。群体异常事件是多目标之间的相互关系而反映出的总体特性,构建多目标的方向和运动趋势关系,形成群体异常事件类型检测模型。(3)针对交通路口行人倒地事件原因的复杂性,提出一种基于人体骨骼关键点分析的姿态评估方法,并以此为基础,构建路口行人倒地事件识别模型。人体姿态的变化伴随人体骨骼关键点相互关系的转变,以人体骨骼颈部关键点为中心,选取人体动作相对重要的8个关节点(左右肩、左右肘、左右臀、左右膝),并提取关键的位置信息,构建关键点之间的相互关系。以颈部关键点为基准,计算到该基准点的八个距离熵值,并计算左右肘、左右膝四个关键点直接到基准点的距离熵与经过中间关键点左右肩、左右臀到达基准点的距离比值,构建人体目标的姿态评估模型。人体姿态呈现异常状态,则以该目标为中心点,查找邻域范围内目标,计算目标与中心目标的欧式距离,判断邻域目标与中心目标的相互关系,判断倒地事件是人为事件还是个人事件。本文对交通路口异常事件类型识别及相关技术进行了探索和研究,但仍存在以下不足有待进一步研究:1)在现有监控系统基础上所获得的监控视频,有很大一部分视频内容并不能使用深度学习的Faster-RCNN模型进行检测识别,尤其是监控视频模糊或监控目标小的情况下,识别更为困难,严重影响目标的检测识别结果;2)目标的低秩纹理方向特征受到目标整体影响的同时,还受到目标本身纹理的影响,如衣服、背包、光照。如何进一步选择和使用人体低秩纹理方向并用以人体行为描述,成为研究重点。3)目前本文只对交通路口群体异常事件和行人摔倒事件进行识别和分析,有待于对交通路口其他类型的异常事件进行识别和扩展。