论文部分内容阅读
目前,人类肢体动作识别是计算机视觉领域的研究方向之一,广泛应用在人机交互、运动分析、视频监控等重要领域,是一门很有潜力的研究课题且伴随着巨大的市场需求。然而如何从复杂的环境中提取出人类的肢体动作,并准确的识别出行为动作是两个具有挑战性的难题。量子计算是量子力学和计算机科学相结合的交叉学科,其中量子纠缠的固有特性和独特的计算优势受到世界各国研究工作者的关注。本文将量子计算引入计算机视觉领域中,提供一种从微观世界对人类的肢体动作进行分析识别过程的新观念和思路。本文的贡献主要有以下几个方面:1.提出一种新型n位量子全加器。现有文献中设计的全加器存在量子代价较大的问题,而新型量子全加器采用了超前进位方式,不含进位输入,是通过最高溢出标志位判断加法的进位和减法的正负号,其不参与高低位计算,不增加电路延时;因此具有量子代价小,结构较简单等特点,有利于降低量子全法器的构造成本及物理实现的难度。2.使用NEQR量子图像存储模型将每帧的整幅动作图像存储在量子纠缠态中;设计了量子图像的背景差分过程来提取静态环境中前景动作图像和量子ViBe算法提取运动环境中的前景动作图像。其中,量子态下的ViBe检测算法最大不同之处在于构建了N幅随机NEQR量子图像作为背景模型样本集,而非某一位置的背景样本集。接着,提出一种基于量子黑盒的卷积法对整幅量子图像进行卷积操作来提取动作的特征点。3.提出一种改进型量子BP神经网络模型。与现有文献中的量子BP神经网络模型不同之处在于输入层的输入全用量子位0表示,通过量子旋转门改变它们的相位角度后再聚合得到神经元输出;通过实验验证,改进型量子BP神经网络模型在本文的识别方案中识别能力优于现有的量子BP神经网络模型。4.设计了一套用于模拟肢体动作识别中量子系统演化过程的嵌入式系统;该系统采用S5P6818芯片,内置高性能8核Cortex-A53处理器,搭载Ubuntu14.04操作系统和开发软件。使用C++编写肢体动作识别的量子算法仿真程序对Weizmann Dataset视频库和本文采集的视频库中动作量子图像特征点进行训练和识别,验证了整个识别方案的可行性。经过实验验证,整个系统与其它方案相比不仅稳定且识别率达到100%。