西安科技大学测绘科学与技术学院, 陕西 西安 710054
2019年和2021年新冠疫情期间西安市政府均采取了强有力的管控措施，为此对比研究了不同程度减排措施对空气质量的影响。采用特征雷达图、空间插值和HYPLIST轨迹模型等方法对西安市疫情期间 (2019年12月—2020年2月、2021年12月—2022年2月) 和正常生产期 (2020年12月—2021年2月) 冬季空气质量变化特征进行了对比分析，并探讨了人为减排情景下空气质量变化潜在原因。结果表明：(1) 西安市环境空气质量指数 (AQI) 空间分布整体呈现“西北劣东南优”特征。2020年疫情严控期空气质量得到明显改善，优良率达到53%；2022年疫情严控期空气质量未受管控措施明显影响。(2) 2020年疫情严控期除O3外污染物浓度均明显下降，降幅分别为PM2.5 (42.90%) > NO2 (42.13%) > CO (35.37%) > PM10 (32.58%) > SO2 (17.40%)；2022年仅有SO2和NO2浓度下降，降幅为NO2 (31.86%) > SO2 (18.31%)。疫情期间污染类型属于偏二次型。(3) 疫情期间，污染天气是在高湿静风天气条件和盆地地形的基础上，受人为源排放和区域污染物传输引起的，因此促进污染物协同减排和关中地区联防联控是改善空气质量的关键举措。
新冠疫情 空气质量 时空特征 影响因素 COVID-19 pandemic atmosphere quality spatio-temporal characteristics influence factors
群组行为识别是对个体的共同行为进行识别。群组行为与群组状态密不可分，也与群组内个体时空特征息息相关，时空信息既能描述空间语义信息，更能反映行为的动态变化情况。针对有效精细的时空特征提取问题，本文提出了一种基于注意力机制和深度时空信息的群组行为识别方法。首先将 ShuffleAttention引入双流特征提取网络中，有效提取个体外观和运动信息。其次使用改进 Non-Local网络提取深度时序信息。最后将个体特征送到图卷积网络中进行空间交互信息建模，得到群组行为识别结果。在 CAD和 CAED数据集上的准确率达到了 93.6%和 97.8%，在 CAD数据集上与凝聚群组搜索算法(CCS)和成员关系图 (ARG)方法相比，准确率提高了 1.2%和 2.6%，这表明本文方法能有效提取深度时空特征，提升群组行为识别准确率。
群组行为识别 注意力机制 时空特征 交互关系 非局部网络 group activity recognition attention mechanism saptio-temporal information interactive relationships non-local network 太赫兹科学与电子信息学报
2023, 21(5): 661
大气与环境光学学报
2023, 18(6): 553
1 上海大学通信与信息工程学院，上海 200444
2 上海先进通信与数据科学研究院，上海 200444
针对人体骨架行为识别中因时空特征提取不充分、网络计算量大和计算效率低导致相似行为识别结果不理想的问题，提出一种基于密集残差移位图卷积网络的骨架行为识别算法。使用姿态估计算法提取人体骨架信息，经坐标向量计算得到骨架的关节、骨骼以及各自的运动信息，并分别输入网络中。在移位图卷积模块间引入密集残差结构，提高网络性能和提取时空特征的效率。所提算法可应用于日常行为场景，例如：行走、坐下、站起、脱衣服、穿衣服、扔以及摔倒等。其在自制数据集上的识别准确率达到81.7%，在NTU60 RGB+D数据集两种评估标准下的准确率也分别达88.1%和95.3%，验证了算法具有优秀的识别精度。
图像处理 时空特征 图卷积 密集残差 日常行为 激光与光电子学进展
2023, 60(10): 1010012
1 西安思源学院 电子信息工程学院, 陕西 西安 710038
2 西安交通大学 理学院, 陕西 西安 710049
3 郑州轻工业大学 软件学院, 河南 郑州 450002
传统基于卷积神经网络(CNN)算法的人群异常行为检测方法由于采用二维卷积核提取图像特征, 故无法准确捕捉视频流在时序上的动态特征。为此, 提出一种基于改进C3D网络与随机森林(RF)算法相结合的检测方法。利用具有时间特征捕捉能力的C3D网络进行视频流梯度方向直方图(HOG)特征提取, 并作为三维卷积核输入以实现对视频时空特征的提取;使用随机森林分类器替代softmax全连接层以避免训练过程中繁琐的梯度计算操作, 并降低对训练数据集样本规模的要求;基于基准数据集的算例结果表明, 所提出的改进C3D-RF方案对人群异常行为的检测准确率保持在90%以上, 且与传统C3D网络、支持向量数据描述模型(SVDD)、编码深度卷积神经网络(CAE)等方法相比, 其训练时间缩短了15.34%以上。
信息光学 异常行为检测 C3D网络 随机森林 视频监控 时空特征提取 information optics abnormal behavior detection C3D network random forest video surveillance spatio-temporal feature extraction
1 集美大学港口与环境工程学院, 福建 厦门 361021
2 集美大学遥感与地理信息研究中心, 福建 厦门 361021
3 厦门市环境监测中心站, 福建 厦门 361012
基于 MODIS 气溶胶光学厚度 (Aerosol optical depth, AOD) 产品、PM2.5 地面监测数据以及气象数据, 运用空间分析和统计回归分析, 采用总体与局部、一元与多元相结合的方式, 对厦门市 AOD 与 PM2.5 的时空特征及其相关性进行了研究。结果表明: AOD 时空变化明显, 月均值最高 1.133、 最低 0.635, 分别出现在 4 月和 1 月, 季均值呈春、夏、秋、冬递减趋势, 年均值呈缓慢上升趋稳再略微下降态势; 沿海和厦门岛 AOD 整体较高, 较低值主要分布在西北、北部和东北区域。PM2.5 总体上呈现与 AOD 相似的时空特征, 时序上具有明显季节特征, 空间分布上季均值的较大值主要分布在中部沿海, 较低值则多出现在西北部和东部。AOD 与 PM2.5 一元线性回归总体上呈中度正相关, 相关系数为 0.575; 局部相关系数间存在明显差异, 整体上比总体相关性略低, 平均相关系数为 0.432; 引入气象因子的 AOD 与 PM2.5 多元线性回归平均相关系数为 0.625, 其中的三元线性回归模型的拟合相对最好, 且拟合效果不随因子数量的增加而变优。
气溶胶光学厚度 时空特征 相关性 厦门市 MODIS MODIS aerosol optical depth PM2.5 PM2.5 spatio-temporal characteristics correlation Xiamen City 大气与环境光学学报
2020, 15(5): 334
1 河北工业大学电子信息工程学院, 天津 300401
2 广东工业大学信息工程学院, 广东 广州 510006
针对传统网络结构不能充分利用数据中时空信息的问题,提出了一种时空金字塔池化模型,并将该模型与非局部特征计算操作相结合,设计了一种基于时空信息密集计算与融合的三维密集连接卷积神经网络,从而可以更有效地提取视频的时空特征。将该算法应用于课堂场景下教师行为的分析,实验结果表明,所设计的网络结构在教师行为数据集上达到了较高的识别准确率。
机器视觉 卷积神经网络 时空金字塔池化 非局部计算 时空特征 行为分析 激光与光电子学进展
2019, 56(16): 161503
台州学院 智能信息处理研究所, 浙江 台州 318000
由于视频中的手工特征和主观情感之间的直接相关性很小, 识别视频序列中的面部表情是一项很有挑战性的任务, 为了克服这个缺陷, 有效提高视频中的人脸表情识别性能。本方法采用两个深度卷积神经网络, 即空间卷积神经网络和时间卷积神经网络, 用于视频中的时空表情特征学习。其中, 空间卷积神经网络用于提取视频中每一帧静态的表情图像的空间信息特征, 而时间卷积神经网络用于从视频中多帧表情图像的光流信息中提取动态信息特征。然后, 将这两个深度卷积神经网络学习到的时空特征进行基于深度信念网络(DBN)的特征层融合, 输入到支持向量机实现视频中的人脸表情分类任务。在公共的RML和BAUM-1s视频情感数据集的测试结果表明, 该方法分别取得了71.06%和5218%的正确识别率, 明显优于现有文献报导的结果。多模深度卷积神经网络的人脸表情识别方法能提高视频中人脸表情的识别性能。
深度卷积神经网络 多模深度学习 表情识别 时空特征 深度信念神经网络 deep convolutional neural network multimodal deep learning facial expression recognition temporal-spatial features Deep Belief Network(DBN)
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
