文中旨在研究基于輪廓圖像空頻域特征的舞蹈翻騰姿態(tài)識(shí)別模型。該模型先將待識(shí)別舞蹈視頻圖像實(shí)施腐蝕、膨脹、中心歸一化等預(yù)處理,利用處理后圖像提取舞蹈翻騰姿態(tài)能量圖,通過(guò)離散余弦變換提取舞蹈翻騰姿態(tài)能量圖頻域特征,利用Contourlet變換提取舞蹈翻騰姿態(tài)能量圖空域輪廓特征,采用特征級(jí)融合方法融合以上特征獲取舞蹈輪廓圖像的空頻域特征向量集,再將待識(shí)別舞蹈視頻序列候選姿態(tài)利用Baum-Welch算法訓(xùn)練為隱馬爾可夫模型,利用舞蹈輪廓圖像的空頻域特征向量集將隱馬爾可夫模型量化至觀察序列,通過(guò)前向后向算法獲取觀察序列姿態(tài)概率,觀察序列概率值最大的隱馬爾可夫模型對(duì)應(yīng)姿態(tài)即為所需識(shí)別舞蹈翻騰姿態(tài)。實(shí)驗(yàn)結(jié)果表明,該模型可較好地提取具有空頻域特征的舞蹈輪廓圖像,有效識(shí)別舞蹈視頻中舞蹈翻騰姿態(tài),且識(shí)別100幀有陰影舞蹈視頻圖像中舞蹈翻騰姿態(tài)識(shí)別準(zhǔn)確率高于96%。 

【文章來(lái)源】：現(xiàn)代電子技術(shù). 2019,42(24)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【文章目錄】：
1 舞蹈翻騰姿態(tài)識(shí)別模型
    1.1 提取舞蹈翻騰姿態(tài)能量圖
    1.2 提取輪廓圖像空頻域特征
        1.2.1 提取頻域特征
        1.2.2 提取空域輪廓特征
    1.3 舞蹈翻騰姿態(tài)識(shí)別
2 實(shí)驗(yàn)分析
    2.1 舞蹈翻騰姿態(tài)識(shí)別結(jié)果
    2.2 舞蹈翻騰姿態(tài)識(shí)別準(zhǔn)確率
3 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]人群行為分析研究綜述[J]. 王曲,趙煒琪,羅海勇,門(mén)愛(ài)東,趙方.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(12)
[2]基于姿態(tài)時(shí)空特征的人體行為識(shí)別方法[J]. 鄭瀟,彭曉東,王嘉璇.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(09)
[3]基于改進(jìn)邊緣活動(dòng)輪廓模型的超聲圖像分割[J]. 倪曉航,肖明波.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(06)
[4]基于主視通路層級(jí)響應(yīng)模型的輪廓檢測(cè)方法[J]. 周濤,范影樂(lè),朱亞萍,武薇.  航天醫(yī)學(xué)與醫(yī)學(xué)工程. 2018(03)
[5]面向情感語(yǔ)音識(shí)別的非線性幾何特征提取算法[J]. 宋春曉,孫穎.  計(jì)算機(jī)工程與應(yīng)用. 2017(20)
[6]時(shí)頻域綜合分析的雷達(dá)信號(hào)識(shí)別方法[J]. 康乃馨,何明浩,韓俊,王冰切.  現(xiàn)代防御技術(shù). 2017(05)
[7]基于時(shí)空與或圖模型的視頻人體動(dòng)作識(shí)別方法[J]. 易唐唐.  控制工程. 2017(09)
[8]基于空-頻域特征和線性判別分析的視頻步態(tài)識(shí)別[J]. 范哲意,蔣姣,曾亞軍,翁澍沁,劉志文.  光學(xué)技術(shù). 2017(04)
[9]頻域內(nèi)基于鄰域特征學(xué)習(xí)的單幅圖像超分辨重建[J]. 蘇富林,錢(qián)素娟,魏霖靜,孫連海.  計(jì)算機(jī)工程. 2017(05)
[10]基于灰度最值和方向紋理的概率濾波算法[J]. 陳家益,黃楠,熊剛強(qiáng),謝翠萍.  計(jì)算機(jī)工程與應(yīng)用. 2017(08)



本文編號(hào)：3173515