論文元數(shù)據(jù)搜索,找到相關(guān)信息共 2 條:
2014, 36(5): 1139-1144.
doi: 10.3724/SP.J.1146.2013.01003
刊出日期:2014-05-19
該文利用飛行時(shí)間(Time-Of-Fligh, TOF)相機(jī)提供的距離圖像,在運(yùn)動(dòng)歷史圖像的基礎(chǔ)上提出一種基于多層運(yùn)動(dòng)歷史圖像的人體運(yùn)動(dòng)識(shí)別方法。計(jì)算距離輪廓序列的運(yùn)動(dòng)能量圖作為整體運(yùn)動(dòng)信息,同時(shí)根據(jù)距離變化量,計(jì)算前向、后向的多層運(yùn)動(dòng)歷史圖像作為局部運(yùn)動(dòng)信息,共同組成多層運(yùn)動(dòng)歷史圖像。為了解決Hu矩對(duì)不連續(xù)或具有噪聲的形狀較為敏感的問題,引入R變換對(duì)每層運(yùn)動(dòng)歷史圖像進(jìn)行特征提取,串聯(lián)形成特征向量送入SVM進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明,該識(shí)別方法可以有效識(shí)別人體運(yùn)動(dòng)。
2022, 44(10): 3343-3352.
doi: 10.11999/JEIT220380
刊出日期:2022-10-19
基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建算法通常假設(shè)低分辨率圖像的降質(zhì)是固定且已知的,如雙3次下采樣等,因此難以處理降質(zhì)(如模糊核及噪聲水平)未知的圖像。針對(duì)此問題,該文提出聯(lián)合估計(jì)模糊核、噪聲水平和高分辨率圖像,設(shè)計(jì)了一種基于迭代交替優(yōu)化的圖像盲超分辨率重建網(wǎng)絡(luò)。在所提網(wǎng)絡(luò)中,圖像重建器以估計(jì)的模糊核和噪聲水平作為先驗(yàn)信息,由低分辨率圖像重建出高分辨率圖像;同時(shí),綜合低分辨率圖像和估計(jì)的高分辨率圖像,模糊核及噪聲水平估計(jì)器分別實(shí)現(xiàn)模糊核和噪聲水平的估計(jì)。進(jìn)一步地,該文提出對(duì)模糊核/噪聲水平估計(jì)器及圖像重建器進(jìn)行迭代交替的端對(duì)端優(yōu)化,以提高它們的兼容性并使其相互促進(jìn)。實(shí)驗(yàn)結(jié)果表明,與IKC, DASR, MANet, DAN等現(xiàn)有算法相比,提出方法在常用公開測(cè)試集(Set5, Set14, B100, Urban100)及真實(shí)場(chǎng)景圖像上都取得了更優(yōu)的性能,能夠更好地對(duì)降質(zhì)未知的圖像進(jìn)行重建;同時(shí),提出方法在參數(shù)量或處理效率上也有一定的優(yōu)勢(shì)。