辽宁石油化工大学 信息与控制学院, 辽宁 抚顺 113001
视盘和视杯的精确分割是青光眼计算机辅助诊断的关键,考虑视盘的解剖学特征,提出基于超像素和级联SVM分类实现视盘的精确分割。首先对眼底图像超像素分割,基于视盘的解剖学结构特征,提取超像素的灰度、纹理、几何、位置分布等特征;然后采用基于SVM的监督聚类方法分类超像素区域,两级级联SVM分类器在分类过程中修正超像素位置信息,提升分割精度;最后基于Snake模型修复局部轮廓。在DRIONS和REFUGE数据库视盘分割精度分别为99.87%和99.52%,精度、灵敏度、特异性、AOL和DICE系数均高于该领域典型算法,实验证明所提方法能够精确分割视盘区域,且具有较强的鲁棒性;在青光眼诊断中具有一定的应用价值。
视盘分割 青光眼 超像素 级联SVM 鲁棒性 disc segmentation glaucoma super pixel cascaded SVM robustness
1 辽宁石油化工大学 信息与控制工程学院，辽宁 抚顺 113001
2 中国科学院沈阳自动化研究所 机器人学国家重点实验室，辽宁 沈阳 110016
提出一种基于多通道时空融合网络的双人交互行为识别方法，对双人骨架序列行为进行识别。首先，采用视角不变性特征提取方法提取双人骨架特征，然后，设计两层级联的时空融合网络模型，第一层基于一维卷积神经网络（1DCNN）和双向长短时记忆网络（BiLSTM）学习空间特征，第二层基于长短时记忆网络(LSTM)学习时间特征，得到双人骨架的时空融合特征。最后，采用多通道时空融合网络分别学习多组双人骨架特征得到多通道融合特征，利用融合特征识别交互行为，各通道之间权值共享。将文中算法应用于NTU-RGBD人体交互行为骨架库，双人交叉对象实验准确率可达96.42%，交叉视角实验准确率可达97.46%。文中方法与该领域的典型方法相比，在双人交互行为识别中表现出更好的性能。
双人交互行为 卷积神经网络 长短时记忆网络 时空融合网络 多通道 two-person interaction CNN LSTM spatio-temporal fusion network multi-stream 红外与激光工程
2020, 49(5): 20190552
1 辽宁石油化工大学 信息与控制工程学院, 辽宁 抚顺 113001
2 中国科学院沈阳自动化研究所 机器人学国家重点实验室, 辽宁 沈阳 110016
基于自然场景图像的人体行为识别方法中遮挡、背景干扰、光照不均匀等因素影响识别结果, 利用人体三维骨架序列的行为识别方法可以克服上述缺点。首先, 考虑人体行为的时空特性, 提出一种时空特征融合深度学习网络人体骨架行为识别方法; 其次, 根据骨架几何特征建立视角不变性特征表示, CNN(Convolutional Neural Network)网络学习骨架的局部空域特征, 作用于空域的LSTM(Long Short Term Memory)网络学习骨架空域节点之间的相关性特征, 作用于时域的LSTM网络学习骨架序列时空关联性特征; 最后, 利用NTU RGB+D数据库验证文中算法。实验结果表明: 算法识别精度有所提高, 对于多视角骨架具有较强的鲁棒性。
时空特征 融合 骨架 视角不变 spatio-temporal feature fusion skeleton view invariant 红外与激光工程
2018, 47(2): 0203007
