• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    聯(lián)合場(chǎng)景和行為特征的短視頻行為識(shí)別*

    2020-10-15 01:45:14周麗娜宋艷艷
    計(jì)算機(jī)與生活 2020年10期
    關(guān)鍵詞:特征提取動(dòng)作特征

    董 旭,譚 勵(lì),周麗娜,宋艷艷

    北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院,北京 100048

    1 引言

    隨著抖音、快手和美拍等短視頻平臺(tái)的火爆出現(xiàn),越來(lái)越多的人成為短視頻內(nèi)容的制造者[1-2],帶動(dòng)了短視頻行業(yè)的蓬勃發(fā)展;此外,短視頻因?yàn)楦臃先藗兛旃?jié)奏的生活、碎片化的閱讀,深受人們的追捧和喜愛(ài)。但是和長(zhǎng)視頻相比,短視頻時(shí)長(zhǎng)受限,拍攝質(zhì)量受制于設(shè)備,更重要的是短視頻的質(zhì)量和內(nèi)容良莠不齊[3],大量的短視頻如果不加以過(guò)濾篩選,直接推送給用戶(hù),會(huì)造成審美疲勞;另外,短視頻受制于拍攝設(shè)備質(zhì)量的限制,和專(zhuān)業(yè)設(shè)備拍出的視頻不同,極有可能出現(xiàn)視頻模糊不清、分辨率不高或者相機(jī)抖動(dòng)的問(wèn)題;此外,短視頻因?yàn)闀r(shí)間較短,包含的信息不夠完整,會(huì)產(chǎn)生歧義,如果被不法分子利用,短視頻可能會(huì)變成謠言傳播的載體,造成極其惡劣的影響。因此,對(duì)短視頻內(nèi)容的理解,是極其必要且迫在眉睫的。在研究過(guò)程中,短視頻中的人物行為的識(shí)別是短視頻理解的關(guān)鍵。

    行為識(shí)別[4-6]是計(jì)算機(jī)視覺(jué)中一個(gè)重要的研究課題,主要目的是解決“人干了什么”這一任務(wù),涉及的領(lǐng)域包括視頻監(jiān)控、人機(jī)交互、視頻索引等。目前主流的行為識(shí)別方法是基于深度學(xué)習(xí)方法,如雙流CNN(convolutional neural network)方法[7],通過(guò)卷積神經(jīng)網(wǎng)絡(luò)分別提取視頻中的RGB信息和光流信息,進(jìn)行分?jǐn)?shù)融合,從而得到最終的行為識(shí)別結(jié)果,而Karpathy等人[8],更進(jìn)一步地研究傳統(tǒng)CNN在videolevel的應(yīng)用上存在的問(wèn)題,提出在不同網(wǎng)絡(luò)層中進(jìn)行融合,取得了一定的效果;而3D卷積方法[9-10]是先對(duì)圖像信息進(jìn)行提取,再利用CNN網(wǎng)絡(luò)對(duì)圖像的時(shí)序信息進(jìn)行學(xué)習(xí),最終得到視頻的行為類(lèi)別。但是,目前的方法更關(guān)注于行為動(dòng)作本身,忽略了視頻中行為和場(chǎng)景之間聯(lián)系。短視頻中包含的信息量較少,且包含的信息不夠完整,需要盡可能地利用視頻中的多種特征信息,并利用它們作為先驗(yàn)知識(shí),幫助提高人物行為識(shí)別的準(zhǔn)確率。這其中,場(chǎng)景特征的重要性不言而喻。例如,在生活中,做飯這個(gè)動(dòng)作,通常情況下發(fā)生的場(chǎng)景是廚房;看電視這個(gè)動(dòng)作通常會(huì)發(fā)生在客廳或者臥室;打開(kāi)衣柜這一動(dòng)作發(fā)生場(chǎng)景通常為臥室,如圖1所示。因此,將場(chǎng)景特征信息作為上下文線索,并用于行為識(shí)別中,是值得深入研究的。本文的貢獻(xiàn)主要是構(gòu)建了一種基于字典學(xué)習(xí)的場(chǎng)景和行為的聯(lián)合學(xué)習(xí)模型,通過(guò)場(chǎng)景特征作為上下文信息,提高行為識(shí)別效果。

    Fig.1 Scene and behavior example圖1 場(chǎng)景和行為示例

    2 相關(guān)工作

    Peng等人[11]提出了一種基于運(yùn)動(dòng)場(chǎng)景的無(wú)監(jiān)督聚類(lèi)算法,該方法將靜態(tài)場(chǎng)景特征和動(dòng)態(tài)特征進(jìn)行結(jié)合,并在此基礎(chǔ)上建立了一個(gè)通過(guò)上下文約束的模型。首先,通過(guò)單視圖和多視圖約束來(lái)探索每個(gè)上下文中的多視圖子空間表示的互補(bǔ)性。然后,通過(guò)計(jì)算上下文約束的關(guān)聯(lián)矩陣,并引入MSIC(motion-scene interaction constraint)以相互規(guī)范場(chǎng)景和運(yùn)動(dòng)中子空間表示的不一致。最后,通過(guò)共同約束多視圖的互補(bǔ)性和多上下文的一致性,構(gòu)造了一個(gè)總體目標(biāo)函數(shù)來(lái)保證視頻動(dòng)作聚類(lèi)結(jié)果。Zhang等人[12]利用相關(guān)的場(chǎng)景上下文來(lái)研究提高動(dòng)作識(shí)別性能的可能性。首先,將場(chǎng)景建模為中級(jí)“中間層”,以便橋接動(dòng)作描述符和動(dòng)作類(lèi)別。然后,作者使用樸素貝葉斯算法學(xué)習(xí)場(chǎng)景和動(dòng)作之間的聯(lián)合概率分布,該算法用于通過(guò)組合現(xiàn)成的動(dòng)作識(shí)別算法在線聯(lián)合推斷動(dòng)作類(lèi)別,并通過(guò)實(shí)驗(yàn)比對(duì),證明了方法的可行性。Yang等人[13]提出了一種利用語(yǔ)義信息對(duì)建筑工地員工行為識(shí)別的方法。采用非參數(shù)化的數(shù)據(jù)驅(qū)動(dòng)場(chǎng)景分析方法對(duì)構(gòu)造對(duì)象進(jìn)行識(shí)別。從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)了基于上下文的動(dòng)作識(shí)別模型。然后,通過(guò)使用已識(shí)別的構(gòu)造對(duì)象來(lái)改進(jìn)動(dòng)作識(shí)別。Hou等人[14]提出了一種分解動(dòng)作場(chǎng)景網(wǎng)絡(luò)FASNet。FASNet由兩部分組成,一部分是基于Attention的CANET網(wǎng)絡(luò),這一部分能夠?qū)植繒r(shí)空特征進(jìn)行編碼,從而學(xué)習(xí)到具有良好魯棒性的特征;另一部分由融合網(wǎng)絡(luò)構(gòu)成,主要將時(shí)空特征和上下文場(chǎng)景特征進(jìn)行融合,學(xué)習(xí)更具描述性的特征信息。Simonyan等人[7]提出了經(jīng)典的包含空間和時(shí)間的雙流網(wǎng)絡(luò)架構(gòu),空間流從靜止視頻幀執(zhí)行動(dòng)作識(shí)別,同時(shí)訓(xùn)練時(shí)間流以識(shí)別來(lái)自密集光學(xué)流動(dòng)形式的運(yùn)動(dòng)動(dòng)作,最后通過(guò)后期融合進(jìn)行行為識(shí)別。而Dai等人[15]針對(duì)物體形狀復(fù)雜問(wèn)題,提出了一種可形變的卷積結(jié)構(gòu)(deformable convolution networks),它對(duì)感受野上的每一個(gè)點(diǎn)加一個(gè)偏移量,使得偏移后感受野和物體的實(shí)際形狀相匹配,更好地獲取物體的特征信息。

    3 算法概述

    生活中,人物的行為會(huì)受到特定場(chǎng)景的影響,在特定的場(chǎng)景下,人們的行為能夠呈現(xiàn)出一定的規(guī)律性。如在前文中舉例的廚房、客廳和臥室等特定場(chǎng)景中,人物的行為分別為做飯、看電視、打開(kāi)衣柜。因此,在本章中,將介紹一種基于字典學(xué)習(xí)的場(chǎng)景特征和行為特征聯(lián)合學(xué)習(xí)方法。

    3.1 模型定義

    設(shè)短視頻序列V={v1,v2,…,vn},其中L={l1,l2,…,ln}是每段短視頻最終輸出的行為類(lèi)別。對(duì)于短視頻序列,S={s1,s2,…,sn}為利用基VGGNet的場(chǎng)景分類(lèi)結(jié)果,而A={a1,a2,…,an}為利用可變卷積[15]的雙流方法得到的行為識(shí)別結(jié)果。于是,對(duì)于第i個(gè)短視頻,可以將模型定義為:

    其中,vi是第i個(gè)短視頻,ai是第i個(gè)短視頻的行為類(lèi)別,si是第i個(gè)短視頻的場(chǎng)景類(lèi)別,ωi為學(xué)習(xí)參數(shù)。對(duì)于設(shè)定的模型,需要有行為特征參數(shù)和場(chǎng)景特征參數(shù),因此第i個(gè)短視頻的學(xué)習(xí)ωi可以定義為:

    其中,φi(vi,ai,si)用于表示第i個(gè)短視頻中,行為和場(chǎng)景的聯(lián)合特征向量。根據(jù)以上,可以定義為:

    將μ1和μ2設(shè)置為0.5,最終問(wèn)題可以轉(zhuǎn)化為求解學(xué)習(xí)參數(shù)ω的過(guò)程,ωa是指行為特征參數(shù)信息,ωas是聯(lián)合特征的參數(shù)信息。ωa可通過(guò)訓(xùn)練得到,ωas則需要通過(guò)構(gòu)建字典聯(lián)合求解所得。

    3.2 字典學(xué)習(xí)和稀疏表示

    稀疏字典學(xué)習(xí)也稱(chēng)為字典學(xué)習(xí),目標(biāo)是通過(guò)學(xué)習(xí)一個(gè)完備字典,通過(guò)字典中少量的原子,對(duì)給定數(shù)據(jù)進(jìn)行稀疏表示,如圖2所示。

    對(duì)于一般的稀疏表示問(wèn)題,可以將問(wèn)題轉(zhuǎn)變成為一個(gè)優(yōu)化問(wèn)題,公式如下:

    其中,Bαi需要盡可能模擬xi,使所得誤差最小,只有這樣,才能更好地通過(guò)模型反映數(shù)據(jù)。實(shí)驗(yàn)過(guò)程中,對(duì)αi的約束規(guī)范選擇的是L1范數(shù),因?yàn)長(zhǎng)1范數(shù)可以將不重要的小權(quán)重衰減為0,L1范數(shù)定義如下:

    其中,L1范數(shù)是向量元素的絕對(duì)值之和。選擇L1范數(shù)的原因L1是L0范數(shù)的最優(yōu)凸近似,而且L0本身是一個(gè)NP難問(wèn)題,L1更加容易求解。

    3.3 基于場(chǎng)景和行為聯(lián)合特征的行為識(shí)別

    在前兩節(jié)中,定義了問(wèn)題模型,并對(duì)字典學(xué)習(xí)的原理進(jìn)行了闡述。在本節(jié)中,將闡述本文所用的方法。主要工作分為特征提取和構(gòu)建聯(lián)合特征,圖3為行為識(shí)別的工作流程圖。

    3.3.1 特征提取

    特征提取分為場(chǎng)景特征提取和行為特征提取。首先,對(duì)短視頻提取場(chǎng)景特征。設(shè)短視頻序列V={v1,v2,…,vn},其中n為短視頻的個(gè)數(shù)。場(chǎng)景特征利用基于VGGNet的深度融合網(wǎng)絡(luò)進(jìn)行提取。利用VGGNet16網(wǎng)絡(luò),對(duì)場(chǎng)景中的全局特征進(jìn)行學(xué)習(xí)提取,利用VGGNet19對(duì)場(chǎng)景中的局部細(xì)節(jié)特征進(jìn)行學(xué)習(xí)提取,分別將所學(xué)習(xí)到的特征進(jìn)行融合。使用VGGNet的原因是網(wǎng)絡(luò)選擇3×3的卷積核,使得參數(shù)量更小,小卷積層的疊加能夠進(jìn)行多次的非線性計(jì)算,對(duì)特征的學(xué)習(xí)能力較強(qiáng)。假設(shè)場(chǎng)景類(lèi)別個(gè)數(shù)為Nscene,對(duì)于第i個(gè)短視頻,場(chǎng)景識(shí)別的目的是找到場(chǎng)景預(yù)測(cè)概率的最大值,因此有:

    Fig.3 Joint feature learning workflow圖3 聯(lián)合特征學(xué)習(xí)工作流程圖

    其中,vi為第i個(gè)短視頻,為第i個(gè)短視頻對(duì)應(yīng)第j個(gè)場(chǎng)景的概率值。但是在這里,需要保留vi在所有場(chǎng)景中的概率值,盡可能多地保留視頻中的有用信息,因此:

    接下來(lái),需要對(duì)短視頻提取行為特征,利用可變卷積網(wǎng)絡(luò)的雙流CNN算法進(jìn)行RGB特征和Flow特征提取??勺兙矸e網(wǎng)絡(luò)的優(yōu)點(diǎn)在于,它能通過(guò)添加的偏移量,更改卷積核的形狀,從而提高卷積網(wǎng)絡(luò)對(duì)圖像適應(yīng)能力??勺兙矸e網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示。

    Fig.4 Schematic diagram of variable convolution network圖4 可變卷積網(wǎng)絡(luò)示意圖

    假設(shè)行為類(lèi)別個(gè)數(shù)為Naction,對(duì)于第i個(gè)短視頻,對(duì)于行為識(shí)別的結(jié)果可以定義為:

    其中,vi為第i個(gè)短視頻,為第i個(gè)短視頻對(duì)應(yīng)第k個(gè)行為的概率值,進(jìn)一步看,可以定義為:

    同樣,行為特征提取部分,需要保留每段短視頻對(duì)所有行為的概率值,定義如下:

    3.3.2 構(gòu)建聯(lián)合特征

    在這里,選擇的方法是字典學(xué)習(xí),原因是,如果直接對(duì)行為特征和場(chǎng)景特征進(jìn)行操作,就會(huì)產(chǎn)生大量的聯(lián)合特征。在這些聯(lián)合特征中,部分影響較小的特征,會(huì)對(duì)預(yù)測(cè)過(guò)程產(chǎn)生干擾,影響模型的魯棒性。因此,需要進(jìn)行降維。本文中采取的方法是利用字典學(xué)習(xí)的方法,求取每個(gè)樣本的稀疏編碼,從而提高模型的效果,其稀疏過(guò)程如圖5所示。此外,模型的稀疏表示可以更好地解釋具有決策性的特征,因?yàn)槟P陀?xùn)練到最后,非零元素的個(gè)數(shù)較之于起始會(huì)大幅減少,從而更加容易解釋模型。

    Fig.5 Sparse representation process圖5 稀疏表示過(guò)程

    因此,問(wèn)題可以轉(zhuǎn)化為:

    可求得所有短視頻聯(lián)合特征結(jié)果。在構(gòu)造字典的過(guò)程中,選擇的方法是MiniBatch Dictionary Learning。在字典學(xué)習(xí)的過(guò)程中,劃分為MiniBatch,能夠提升模型的訓(xùn)練速度,并增加隨機(jī)性。并通過(guò)設(shè)置字典中的元素n_components進(jìn)行學(xué)習(xí)。迭代次數(shù)分別設(shè)置為100次、200次、500次、1 000次、2 000次和5 000次。通過(guò)字典學(xué)習(xí)和稀疏表示,可以得到每個(gè)短視頻在所有場(chǎng)景-行為聯(lián)合特征的概率值。

    4 仿真實(shí)驗(yàn)過(guò)程及結(jié)果

    4.1 實(shí)驗(yàn)所用環(huán)境

    本實(shí)驗(yàn)平臺(tái)為戴爾服務(wù)器PowerEdge R430,操作系統(tǒng)Ubuntu 14.04,CPU Intel?Core i3 3220,內(nèi)存64 GB,GPU NVIDIA Tesla K40m×2,顯存12 GB×2。

    4.2 實(shí)驗(yàn)參數(shù)設(shè)置

    4.2.1 數(shù)據(jù)集選擇

    實(shí)驗(yàn)所選擇的數(shù)據(jù)集是Charades數(shù)據(jù)集[16]。Charades數(shù)據(jù)集共有9 848個(gè)視頻段,每段視頻長(zhǎng)度在30.1 s,行為類(lèi)別共有157個(gè),場(chǎng)景類(lèi)別共有16個(gè)。在實(shí)驗(yàn)前,針對(duì)廚房場(chǎng)景進(jìn)行了視頻的篩選,選擇其中的90段短視頻用于訓(xùn)練,獲取特征,并另外選擇30段短視頻作為測(cè)試集。與廚房相關(guān)的短視頻示例如圖6所示,數(shù)據(jù)預(yù)處理階段,利用ffmepg工具,按照30 frame/s對(duì)短視頻進(jìn)行分幀處理。對(duì)于光流圖像部分,利用opencv光流計(jì)算方法,輸出為flow_x和flow_y兩個(gè)圖像。

    Fig.6 Schematic of Charades kitchen scene圖6 Charades廚房場(chǎng)景示意圖

    4.2.2 實(shí)驗(yàn)參數(shù)設(shè)置

    場(chǎng)景特征提取過(guò)程使用PyTorch框架,所用的模型是基于VGGNet的深度融合網(wǎng)絡(luò),在ImageNet進(jìn)行預(yù)訓(xùn)練后,在Charades數(shù)據(jù)集進(jìn)行fine-tuning,訓(xùn)練時(shí)批量(batch-size)設(shè)置為8,動(dòng)量(momentum)設(shè)置為0.9,優(yōu)化方法選擇Adam方法。行為特征提取過(guò)程中,RGB圖像和光流圖像分別放入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練;其中,光流網(wǎng)絡(luò)需要截取成等長(zhǎng)的連續(xù)幀放入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練;Deform-GoogLeNet訓(xùn)練過(guò)程使用反向傳播方式,采用Adam優(yōu)化。字典學(xué)習(xí)過(guò)程中,方法選擇的是MiniBatch Dictionary Learning,n_component設(shè)置為16。

    4.3 實(shí)驗(yàn)結(jié)果

    場(chǎng)景特征提取和行為特征提取過(guò)程的訓(xùn)練結(jié)果如圖7、圖8所示,通過(guò)預(yù)訓(xùn)練模型對(duì)廚房場(chǎng)景進(jìn)行訓(xùn)練。從圖7中可以看出,在4 000次左右時(shí),模型已基本收斂。

    Fig.7 Changes in loss value of scene feature extraction圖7 場(chǎng)景特征提取過(guò)程Loss值變化

    Fig.8 Changes in loss value of action feature extraction圖8 行為特征提取過(guò)程Loss值變化

    在對(duì)行為特征進(jìn)行訓(xùn)練時(shí),需要利用雙流CNN網(wǎng)絡(luò)分別對(duì)RGB特征和Flow特征進(jìn)行提取。圖8為行為特征提取過(guò)程Loss值變化,從圖8(a)中可以看出,RGB特征提取過(guò)程,在前9 000次迭代過(guò)程中,Loss值下降速度比較快,說(shuō)明模型收斂比較快,而在9 000次迭代之后,Loss值的下降速度放緩,模型緩慢收斂;由圖8(b)中可以看出,F(xiàn)low特征提取過(guò)程,在前7 500次迭代過(guò)程中,Loss值下降速度比較快,7 500次迭代之后,模型收斂速度放緩,但是基本趨于穩(wěn)定。

    將數(shù)據(jù)集標(biāo)注的行為動(dòng)詞和場(chǎng)景類(lèi)別進(jìn)行了可視化分析,結(jié)果如圖9中的詞云所示。

    Fig.9 Behavior verbs and scene nouns in Charades kitchen圖9 Charades廚房場(chǎng)景中行為動(dòng)詞和場(chǎng)景名詞

    通過(guò)圖9(a)中詞云展示,可以比較明顯地看出在廚房的一些特定的行為,如“烹飪(cook)”“洗(wash)”“倒(pour)”和“喝(drink)”等動(dòng)作;而圖9(b)中展示了數(shù)據(jù)集和廚房有關(guān)的場(chǎng)景中的物體信息,如“爐(stove)”“桌子(table)”“餐具柜(pantry)”和“三明治(sandwich)”等。通過(guò)詞云的呈現(xiàn),可以比較容易地找出動(dòng)作和場(chǎng)景之間的關(guān)系。比如,“吃(eat)”和“食物(food)”,“開(kāi)(open)”和“冰箱(refrigerator)”,“洗(wash)”和“盤(pán)子(dish)”等,能夠反映出場(chǎng)景和人物的行為存在著一定的聯(lián)系。

    在字典學(xué)習(xí)過(guò)程中,分別在100次、200次、500次、1 000次、2 000次和5 000次的迭代次數(shù)下進(jìn)行了多次實(shí)驗(yàn),并求取平均值。之后對(duì)不同迭代次數(shù)下的top-5準(zhǔn)確率結(jié)果進(jìn)行比對(duì),結(jié)果如圖10所示。通過(guò)圖10可以發(fā)現(xiàn),當(dāng)?shù)螖?shù)為1 000次的時(shí)候,top-5準(zhǔn)確率為33%,但是迭代次數(shù)的設(shè)置并不是越多越好,當(dāng)?shù)螖?shù)從1 000次增加到5 000次時(shí),準(zhǔn)確率呈下降趨勢(shì)。

    Fig.10 Test set top-5 results圖10 測(cè)試集top-5結(jié)果

    為了證明本文方法的有效性,分別使用Two-Stream方法和基于可變卷積的Two-Stream方法和本文方法進(jìn)行比較,實(shí)驗(yàn)結(jié)果如表1所示,本文方法有了比較明顯的提高。證明了場(chǎng)景作為上下文信息能夠提高行為識(shí)別的準(zhǔn)確率。

    Table 1 Comparison of different methods on Charades test set表1 不同方法在Charades測(cè)試集上的比對(duì)結(jié)果

    5 結(jié)束語(yǔ)

    本文針對(duì)短視頻的行為識(shí)別現(xiàn)狀存在的問(wèn)題,提出了一種基于場(chǎng)景和行為的聯(lián)合特征學(xué)習(xí)的短視頻行為識(shí)別方法,對(duì)短視頻中的行為識(shí)別問(wèn)題進(jìn)行了研究。首先,利用VGGNet16和VGGNet19分別提取場(chǎng)景的全局特征和局部細(xì)節(jié)特征;之后,融合兩個(gè)網(wǎng)絡(luò)提取的特征結(jié)果,得到深度融合網(wǎng)絡(luò)提取場(chǎng)景特征信息;最后,利用基于可變卷積網(wǎng)絡(luò)的雙流CNN網(wǎng)絡(luò)提取短視頻中的行為特征。提取行為特征過(guò)程的優(yōu)勢(shì),一是利用可變卷積網(wǎng)絡(luò)通過(guò)添加的偏移量更改卷積核形狀,獲取更多特征信息以提高網(wǎng)絡(luò)對(duì)圖像的適應(yīng)能力;二是分別對(duì)RGB特征和Flow特征提取,充分利用了視頻的空間和時(shí)間維度信息。利用本文提出的聯(lián)合特征學(xué)習(xí)方法,將場(chǎng)景信息作為背景知識(shí),結(jié)合提取的行為特征,進(jìn)行最終行為識(shí)別的判斷,并運(yùn)用字典學(xué)習(xí)的方法,減少聯(lián)合特征的維度,得到了準(zhǔn)確和高效的識(shí)別效果。在Charades測(cè)試集top-5準(zhǔn)確率為33%,和之前的方法比較,有了明顯的提升,證明了本文方法的有效性。在未來(lái)的工作中,計(jì)劃將短視頻中的物體特征和場(chǎng)景特征同時(shí)作為行為識(shí)別的先驗(yàn)知識(shí),進(jìn)一步提高行為識(shí)別的效果。

    猜你喜歡
    特征提取動(dòng)作特征
    如何表達(dá)“特征”
    基于Gazebo仿真環(huán)境的ORB特征提取與比對(duì)的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    不忠誠(chéng)的四個(gè)特征
    動(dòng)作描寫(xiě)要具體
    抓住特征巧觀察
    畫(huà)動(dòng)作
    動(dòng)作描寫(xiě)不可少
    一種基于LBP 特征提取和稀疏表示的肝病識(shí)別算法
    非同一般的吃飯動(dòng)作
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    国产91av在线免费观看| 国产亚洲91精品色在线| 边亲边吃奶的免费视频| 国产有黄有色有爽视频| 99热6这里只有精品| 丰满人妻一区二区三区视频av| 日本熟妇午夜| 国产亚洲av片在线观看秒播厂| 亚洲精品久久午夜乱码| 精品人妻偷拍中文字幕| 在线观看人妻少妇| av线在线观看网站| 国产亚洲av嫩草精品影院| 综合色丁香网| 国产av不卡久久| 视频区图区小说| 在线观看av片永久免费下载| 美女脱内裤让男人舔精品视频| 欧美最新免费一区二区三区| 免费av观看视频| 久久久久久久久久成人| 美女脱内裤让男人舔精品视频| 日本熟妇午夜| 久热这里只有精品99| 欧美高清性xxxxhd video| 国产精品嫩草影院av在线观看| 91久久精品国产一区二区三区| 黄片wwwwww| 亚洲精品aⅴ在线观看| 大香蕉久久网| 久久久精品免费免费高清| 日本三级黄在线观看| 少妇 在线观看| 日本欧美国产在线视频| 少妇裸体淫交视频免费看高清| 我的女老师完整版在线观看| 国产乱人视频| 三级国产精品欧美在线观看| 成人免费观看视频高清| 国产成人一区二区在线| 国产日韩欧美在线精品| 又爽又黄a免费视频| 成人亚洲精品av一区二区| 三级国产精品片| 美女高潮的动态| 黄色视频在线播放观看不卡| 国精品久久久久久国模美| 国国产精品蜜臀av免费| 各种免费的搞黄视频| 少妇丰满av| 午夜日本视频在线| 亚洲国产高清在线一区二区三| 看十八女毛片水多多多| 一个人看视频在线观看www免费| kizo精华| 少妇的逼水好多| 大又大粗又爽又黄少妇毛片口| 精品人妻一区二区三区麻豆| 中文字幕人妻熟人妻熟丝袜美| 一本久久精品| av国产精品久久久久影院| 国产精品无大码| 久久久久国产网址| 不卡视频在线观看欧美| 一级av片app| 18禁裸乳无遮挡免费网站照片| 老司机影院成人| 国产 精品1| 久久影院123| 又黄又爽又刺激的免费视频.| 三级国产精品片| 狂野欧美激情性bbbbbb| 丝袜脚勾引网站| 久久久久网色| 色婷婷久久久亚洲欧美| 国产成人aa在线观看| 日本-黄色视频高清免费观看| 日韩欧美一区视频在线观看 | 色视频www国产| 男插女下体视频免费在线播放| 嫩草影院新地址| 偷拍熟女少妇极品色| 一级毛片电影观看| 国产男女内射视频| 色哟哟·www| 自拍欧美九色日韩亚洲蝌蚪91 | 久久久久久久国产电影| 美女高潮的动态| 一本一本综合久久| 午夜爱爱视频在线播放| 美女cb高潮喷水在线观看| 最近手机中文字幕大全| 亚洲av免费高清在线观看| 在线 av 中文字幕| 久久久久性生活片| 五月天丁香电影| 久久久久九九精品影院| 69av精品久久久久久| 少妇猛男粗大的猛烈进出视频 | 成人一区二区视频在线观看| 高清毛片免费看| 亚洲不卡免费看| 伊人久久国产一区二区| 精品人妻一区二区三区麻豆| 尤物成人国产欧美一区二区三区| 国产久久久一区二区三区| av线在线观看网站| 中文在线观看免费www的网站| 观看免费一级毛片| 午夜精品国产一区二区电影 | 久久久久国产精品人妻一区二区| 91久久精品国产一区二区成人| 男女边吃奶边做爰视频| 国产精品福利在线免费观看| 网址你懂的国产日韩在线| 欧美日本视频| 日韩欧美一区视频在线观看 | 亚洲欧美成人综合另类久久久| 精品国产乱码久久久久久小说| 成人国产麻豆网| 日本wwww免费看| 我的女老师完整版在线观看| 中文精品一卡2卡3卡4更新| 欧美国产精品一级二级三级 | 麻豆乱淫一区二区| 51国产日韩欧美| 亚洲人与动物交配视频| 国产淫片久久久久久久久| 禁无遮挡网站| 亚洲av免费高清在线观看| 国产亚洲av嫩草精品影院| 亚洲va在线va天堂va国产| 亚洲va在线va天堂va国产| 午夜老司机福利剧场| 午夜老司机福利剧场| 禁无遮挡网站| 国产老妇伦熟女老妇高清| 五月天丁香电影| 51国产日韩欧美| 久久久久国产精品人妻一区二区| 免费看av在线观看网站| 国产精品久久久久久久久免| 国产精品久久久久久久久免| 精品99又大又爽又粗少妇毛片| 亚洲国产精品国产精品| 亚洲三级黄色毛片| 91精品一卡2卡3卡4卡| 亚洲国产日韩一区二区| 大话2 男鬼变身卡| 成人毛片60女人毛片免费| 亚洲国产高清在线一区二区三| 边亲边吃奶的免费视频| 久久国产乱子免费精品| 又粗又硬又长又爽又黄的视频| 午夜亚洲福利在线播放| 嫩草影院新地址| 亚洲欧美精品自产自拍| 欧美日韩综合久久久久久| 大话2 男鬼变身卡| av在线观看视频网站免费| 99热国产这里只有精品6| 中国三级夫妇交换| 一级毛片电影观看| av在线播放精品| 99久国产av精品国产电影| 97精品久久久久久久久久精品| 久久久久久久久久久丰满| 国产黄色视频一区二区在线观看| 亚洲va在线va天堂va国产| 久久韩国三级中文字幕| 色哟哟·www| 高清日韩中文字幕在线| 日韩制服骚丝袜av| 神马国产精品三级电影在线观看| 全区人妻精品视频| 国产黄频视频在线观看| 精华霜和精华液先用哪个| 国产精品av视频在线免费观看| 亚洲精品乱久久久久久| 国产高清国产精品国产三级 | 最近最新中文字幕免费大全7| 精品久久久久久久久av| 国产综合精华液| 亚洲精品国产av成人精品| 国产精品99久久99久久久不卡 | 国产爱豆传媒在线观看| 久久热精品热| 神马国产精品三级电影在线观看| 黄片无遮挡物在线观看| 国产精品秋霞免费鲁丝片| 免费不卡的大黄色大毛片视频在线观看| 2018国产大陆天天弄谢| 成人漫画全彩无遮挡| 欧美日韩国产mv在线观看视频 | 亚洲精品国产成人久久av| 搡老乐熟女国产| 成人无遮挡网站| 少妇人妻精品综合一区二区| 亚洲精品456在线播放app| 嘟嘟电影网在线观看| 一级爰片在线观看| 伦精品一区二区三区| 熟女电影av网| 日本与韩国留学比较| 精品久久国产蜜桃| 久久午夜福利片| 少妇丰满av| 国产精品福利在线免费观看| 国产精品久久久久久精品电影| 久久久精品94久久精品| 国产高清有码在线观看视频| 男人和女人高潮做爰伦理| 国产v大片淫在线免费观看| 国产日韩欧美在线精品| 精品少妇黑人巨大在线播放| 午夜福利在线观看免费完整高清在| 日本与韩国留学比较| 18禁裸乳无遮挡动漫免费视频 | 国产91av在线免费观看| 中文资源天堂在线| 少妇的逼水好多| 久久精品国产亚洲av涩爱| 中文资源天堂在线| 中国美白少妇内射xxxbb| 国产伦在线观看视频一区| 午夜视频国产福利| 精品视频人人做人人爽| 成人美女网站在线观看视频| 亚洲国产精品国产精品| 欧美日本视频| 人体艺术视频欧美日本| 只有这里有精品99| 国产欧美另类精品又又久久亚洲欧美| 视频中文字幕在线观看| 国产精品嫩草影院av在线观看| 国产一级毛片在线| 成年女人在线观看亚洲视频 | 两个人的视频大全免费| 久久久久性生活片| 国产男女内射视频| 看十八女毛片水多多多| 日本av手机在线免费观看| 777米奇影视久久| 97在线视频观看| 国产精品无大码| 午夜福利在线在线| 我的女老师完整版在线观看| 亚洲伊人久久精品综合| 国产一区亚洲一区在线观看| 久久人人爽人人爽人人片va| 欧美国产精品一级二级三级 | 一区二区三区四区激情视频| 亚洲欧美清纯卡通| 韩国高清视频一区二区三区| 久热久热在线精品观看| 亚洲图色成人| 男女那种视频在线观看| 中国美白少妇内射xxxbb| 看免费成人av毛片| 亚洲第一区二区三区不卡| 两个人的视频大全免费| 视频区图区小说| 99久久中文字幕三级久久日本| 国产亚洲午夜精品一区二区久久 | 尤物成人国产欧美一区二区三区| 亚洲成人一二三区av| 97精品久久久久久久久久精品| 婷婷色av中文字幕| 精品亚洲乱码少妇综合久久| 午夜视频国产福利| 一个人看的www免费观看视频| 街头女战士在线观看网站| 亚洲精品乱久久久久久| 亚洲高清免费不卡视频| 免费黄色在线免费观看| 国产成人a区在线观看| 插逼视频在线观看| 亚洲av国产av综合av卡| 日韩精品有码人妻一区| 国产精品人妻久久久影院| 欧美日韩视频高清一区二区三区二| av国产久精品久网站免费入址| 欧美3d第一页| 亚洲av成人精品一区久久| 日韩成人伦理影院| 免费观看在线日韩| 深夜a级毛片| 日韩制服骚丝袜av| 激情 狠狠 欧美| 一级毛片久久久久久久久女| 久久午夜福利片| 秋霞在线观看毛片| 国产淫语在线视频| 久久女婷五月综合色啪小说 | 一区二区av电影网| 一级片'在线观看视频| 国产精品久久久久久av不卡| 最后的刺客免费高清国语| 男人爽女人下面视频在线观看| 蜜桃亚洲精品一区二区三区| 中文在线观看免费www的网站| 不卡视频在线观看欧美| 我的老师免费观看完整版| 深夜a级毛片| 成人特级av手机在线观看| 18禁裸乳无遮挡免费网站照片| 18禁裸乳无遮挡动漫免费视频 | 国产一区有黄有色的免费视频| 国产精品不卡视频一区二区| 熟女电影av网| 美女主播在线视频| 日韩强制内射视频| 五月天丁香电影| 高清在线视频一区二区三区| 精品少妇黑人巨大在线播放| 成人毛片60女人毛片免费| 亚洲欧美成人综合另类久久久| 观看美女的网站| 少妇 在线观看| 亚洲不卡免费看| 国产伦理片在线播放av一区| 在线天堂最新版资源| 少妇被粗大猛烈的视频| 精品久久久久久久久av| 91久久精品国产一区二区成人| 亚洲精品成人av观看孕妇| 免费少妇av软件| 你懂的网址亚洲精品在线观看| 人人妻人人澡人人爽人人夜夜| 亚洲第一区二区三区不卡| av免费观看日本| 18禁在线播放成人免费| 精品久久久精品久久久| 晚上一个人看的免费电影| 久久精品熟女亚洲av麻豆精品| 国产毛片在线视频| 1000部很黄的大片| 九九久久精品国产亚洲av麻豆| 久久99热这里只频精品6学生| 人妻系列 视频| 成人午夜精彩视频在线观看| 日本黄大片高清| 亚洲综合色惰| 国模一区二区三区四区视频| 尤物成人国产欧美一区二区三区| 亚洲经典国产精华液单| 你懂的网址亚洲精品在线观看| 亚洲色图综合在线观看| 亚洲欧美日韩卡通动漫| 人人妻人人看人人澡| 天天一区二区日本电影三级| 日韩一区二区三区影片| 极品少妇高潮喷水抽搐| 国产白丝娇喘喷水9色精品| 一区二区三区精品91| 久久综合国产亚洲精品| 九九爱精品视频在线观看| 国产探花极品一区二区| 两个人的视频大全免费| 麻豆国产97在线/欧美| 午夜老司机福利剧场| 国产精品一区www在线观看| 精品一区二区三卡| 中文字幕久久专区| 边亲边吃奶的免费视频| 国产欧美另类精品又又久久亚洲欧美| 91久久精品国产一区二区成人| 亚洲图色成人| 精品熟女少妇av免费看| 五月玫瑰六月丁香| 性插视频无遮挡在线免费观看| 亚洲av不卡在线观看| 国产白丝娇喘喷水9色精品| 亚洲av.av天堂| 婷婷色综合www| 爱豆传媒免费全集在线观看| 成人国产麻豆网| 久久韩国三级中文字幕| 国产在线一区二区三区精| av天堂中文字幕网| 国产精品久久久久久精品电影| 成人无遮挡网站| 国产色爽女视频免费观看| 日本与韩国留学比较| 午夜老司机福利剧场| 成人美女网站在线观看视频| 亚洲精品乱码久久久久久按摩| 男女国产视频网站| 成人鲁丝片一二三区免费| 国产精品.久久久| 国产精品av视频在线免费观看| 91精品伊人久久大香线蕉| 久久精品国产亚洲av天美| 亚洲成色77777| 18禁裸乳无遮挡动漫免费视频 | 国产一区二区三区综合在线观看 | 免费看日本二区| 免费看光身美女| 精品国产三级普通话版| 少妇猛男粗大的猛烈进出视频 | 亚洲欧美精品专区久久| 亚洲最大成人av| 18禁动态无遮挡网站| 久久鲁丝午夜福利片| 一区二区av电影网| 亚洲最大成人手机在线| 最近最新中文字幕大全电影3| 人体艺术视频欧美日本| 2018国产大陆天天弄谢| 亚洲精品成人av观看孕妇| 伦精品一区二区三区| 国产成人免费观看mmmm| 国产亚洲精品久久久com| 久久久欧美国产精品| 欧美日韩精品成人综合77777| 18禁裸乳无遮挡免费网站照片| 亚洲欧美成人精品一区二区| 97人妻精品一区二区三区麻豆| 在线观看免费高清a一片| 香蕉精品网在线| 你懂的网址亚洲精品在线观看| 亚洲最大成人av| 亚洲天堂国产精品一区在线| 男女啪啪激烈高潮av片| 女人十人毛片免费观看3o分钟| 国产成人精品一,二区| 久久久亚洲精品成人影院| 天美传媒精品一区二区| 在线观看一区二区三区激情| 国产精品福利在线免费观看| 少妇猛男粗大的猛烈进出视频 | 我的女老师完整版在线观看| 亚洲欧美中文字幕日韩二区| 黄色配什么色好看| 大片电影免费在线观看免费| 亚洲精品中文字幕在线视频 | 亚洲综合色惰| 久久精品夜色国产| 亚洲欧美日韩东京热| 一级毛片 在线播放| 久久久久国产精品人妻一区二区| 国产成人freesex在线| 国产伦精品一区二区三区视频9| 亚洲四区av| 国产毛片在线视频| 亚洲怡红院男人天堂| 国产精品99久久99久久久不卡 | 18禁在线无遮挡免费观看视频| 18+在线观看网站| 亚洲欧美精品专区久久| av卡一久久| 国产成人a∨麻豆精品| 在现免费观看毛片| 精品少妇黑人巨大在线播放| 免费不卡的大黄色大毛片视频在线观看| 久久99热6这里只有精品| 国产精品久久久久久久电影| 嫩草影院精品99| 又爽又黄a免费视频| 亚洲av国产av综合av卡| 能在线免费看毛片的网站| 中国美白少妇内射xxxbb| 久久久久久伊人网av| 成人鲁丝片一二三区免费| 1000部很黄的大片| 18禁在线无遮挡免费观看视频| 久久亚洲国产成人精品v| 亚洲av.av天堂| 热re99久久精品国产66热6| 插逼视频在线观看| 国产精品女同一区二区软件| 国产精品麻豆人妻色哟哟久久| 97人妻精品一区二区三区麻豆| 亚洲精品第二区| 久久久久久久久久人人人人人人| 色哟哟·www| 乱码一卡2卡4卡精品| 欧美日韩在线观看h| 水蜜桃什么品种好| 你懂的网址亚洲精品在线观看| 日韩成人av中文字幕在线观看| 成人午夜精彩视频在线观看| 国产精品秋霞免费鲁丝片| 亚洲欧美中文字幕日韩二区| 成人免费观看视频高清| 日韩强制内射视频| 亚洲av电影在线观看一区二区三区 | 国模一区二区三区四区视频| 国产伦理片在线播放av一区| 亚洲精品乱久久久久久| 亚洲不卡免费看| 深夜a级毛片| 久久精品夜色国产| 亚洲第一区二区三区不卡| 国产综合精华液| 小蜜桃在线观看免费完整版高清| 亚洲综合色惰| 香蕉精品网在线| 日韩av在线免费看完整版不卡| 禁无遮挡网站| 精品酒店卫生间| 国产一区二区亚洲精品在线观看| 99热这里只有是精品50| 亚洲伊人久久精品综合| 中文字幕制服av| 国产黄色免费在线视频| 久久久色成人| 白带黄色成豆腐渣| a级毛片免费高清观看在线播放| 直男gayav资源| 亚洲精品视频女| 亚洲欧美中文字幕日韩二区| 熟女电影av网| 在线观看免费高清a一片| 久久亚洲国产成人精品v| 精品久久久久久久久av| 精品人妻一区二区三区麻豆| 少妇人妻一区二区三区视频| 国产精品99久久99久久久不卡 | 国产美女午夜福利| 一级毛片黄色毛片免费观看视频| 亚洲国产精品成人综合色| 亚洲性久久影院| 成人特级av手机在线观看| 成年女人在线观看亚洲视频 | 亚洲久久久久久中文字幕| 国产精品成人在线| 日韩 亚洲 欧美在线| 欧美xxⅹ黑人| 最近手机中文字幕大全| 成年版毛片免费区| 日本av手机在线免费观看| 欧美高清成人免费视频www| 黑人高潮一二区| 国产乱人偷精品视频| 日本wwww免费看| 久热久热在线精品观看| 只有这里有精品99| 亚洲精品成人av观看孕妇| 国产永久视频网站| 在线 av 中文字幕| h日本视频在线播放| 国精品久久久久久国模美| 特级一级黄色大片| 99九九线精品视频在线观看视频| 联通29元200g的流量卡| 亚洲自偷自拍三级| tube8黄色片| 久久久成人免费电影| 别揉我奶头 嗯啊视频| 一区二区av电影网| 99热这里只有精品一区| 少妇被粗大猛烈的视频| 久久久久久久大尺度免费视频| 久久99蜜桃精品久久| 国产淫片久久久久久久久| 国产av码专区亚洲av| 国产免费一区二区三区四区乱码| 国产黄片美女视频| av在线播放精品| 亚洲,欧美,日韩| 青青草视频在线视频观看| 国产毛片在线视频| 欧美性猛交╳xxx乱大交人| 免费人成在线观看视频色| 2018国产大陆天天弄谢| 大又大粗又爽又黄少妇毛片口| 高清av免费在线| 欧美97在线视频| 中文精品一卡2卡3卡4更新| 成人综合一区亚洲| 国产黄a三级三级三级人| 久热这里只有精品99| 国国产精品蜜臀av免费| 亚洲人成网站在线观看播放| a级毛片免费高清观看在线播放| 一级毛片aaaaaa免费看小| 久久人人爽人人爽人人片va| 精品视频人人做人人爽| 自拍欧美九色日韩亚洲蝌蚪91 | 一本色道久久久久久精品综合| 国产大屁股一区二区在线视频| 国产成人免费观看mmmm| 涩涩av久久男人的天堂| 免费电影在线观看免费观看| 国产一区有黄有色的免费视频| 亚洲精品乱久久久久久| 精品久久久噜噜| 啦啦啦在线观看免费高清www| 亚洲丝袜综合中文字幕| 一边亲一边摸免费视频| 成人欧美大片| 久久精品综合一区二区三区| 18+在线观看网站| 青春草亚洲视频在线观看| 欧美日本视频| 99九九线精品视频在线观看视频| 欧美+日韩+精品| av在线播放精品| 一个人看的www免费观看视频| 日韩欧美精品免费久久| 精品国产露脸久久av麻豆| 亚洲综合精品二区| 亚洲国产高清在线一区二区三| 亚洲精品日本国产第一区| 在线看a的网站| 少妇人妻精品综合一区二区| 亚洲精品自拍成人| 啦啦啦啦在线视频资源| 黄片wwwwww| 日日啪夜夜爽| 亚州av有码| 成人欧美大片| 激情 狠狠 欧美| 特级一级黄色大片|