CN103400154A - 一种基于有监督等距映射的人体动作识别方法 - Google Patents
一种基于有监督等距映射的人体动作识别方法 Download PDFInfo
- Publication number
- CN103400154A CN103400154A CN2013103465966A CN201310346596A CN103400154A CN 103400154 A CN103400154 A CN 103400154A CN 2013103465966 A CN2013103465966 A CN 2013103465966A CN 201310346596 A CN201310346596 A CN 201310346596A CN 103400154 A CN103400154 A CN 103400154A
- Authority
- CN
- China
- Prior art keywords
- human body
- video
- action
- supervision
- human
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明公开了一种基于有监督等距映射的人体动作识别方法,其属于模式识别与计算机视觉领域,包括以下步骤:S1.对视频通过码书codebook方法进行前景提取,得到二值化人体前景图像;S2.对人体前景图像进行形态学处理并归一化,得到人体剪影图像;S3.对人体剪影图像序列进行周期化分析,对每个视频,通过包含一个完整动作周期的关键帧来表示该视频;S4.对人体剪影图像的关键帧进行向量化,通过有监督的等距映射进行特征降维;S5.将降维后的特征通过基于Hausdorff距离的最近邻分类器进行识别。本发明突破了现有算法的局限性,在提高分类精度的同时降低了算法复杂度,使得在实际的工程应用中更容易实现。
Description
技术领域
本发明涉及模式识别与计算机视觉领域,尤其涉及一种基于有监督等距映射的人体动作识别方法。
背景技术
人体运动分析的目的是对人的动作进行认识和理解,以此为导向的研究被称为动作识别。在科学技术飞速发展的今天,动作识别应用于智能监控、身份确认、运动分析、人机交互等诸多领域,并且在这些领域都具有比较高的学术理论价值和广泛的市场实用价值。
近年来,人类动作识别逐步成为了计算机视觉中的一个极具挑战性的研究方向,并且已经取得了非常大的进展,但是还存在很多问题有待解决,而且现有的方法离满足实际应用的需求还有很大差距。目前存在的主要问题有:
(1)人体动作的特征表示。目前对人体动作的描述一般分为基于底层图像信息和基于高层人体建模两种方法。怎样表征动作才可以对动作描述更加合理并体现出动作的本质特性,如何解决这个问题在该研究发展中遇到了很多困难。因此,如何提取有代表性和区分性的特征,是该方向研究工作中所面临的重大挑战。
(2)类内变化与类间变化的影响。对于绝大多数人体动作,多样化的表现形式会出现在同一动作中。相同的动作,不同的人来完成也会有很大差异性。即使是同一个人在面对不同的情境及拥有不同的心态时,也会表现出很大差异,因此算法必须可以对类内的差异性有一定的容忍度。而且,生活中存在的人体动作本来就多种多样,种类繁多的动作也为动作识别增加了难度。
(3)算法的实时性要求。实际应用中要求动作识别判断所需的时间应尽可能的缩短,以期达到实时检测的效果。现存的一些方法,为了使用尽可能多的信息来表征动作,采用多种特征融合的方法,但是,这在一定程度上对计算速度提出了更高要求,各种特征之间互相影响,也会给识别带来难度,起到了混淆的反作用。
通过对高维人体特征进行有效的特征降维可以提取人体动作的本征特征,能显著提高特征的鉴别能力。针对人体运动的时空可变性和高时空复杂性问题,以流形学习理论为基础的人体动作高维特征空间的非线性降维方法开始蓬勃发展。
基于有监督等距映射的人体动作识别的核心思想是对人体动作的高维特征空间通过有监督等距映射算法进行非线性降维,从而获得人体动作的低维流形表示,然后在低维流形上进行人体动作识别。
发明内容
本发明的目在于如何提供一种基于有监督等距映射的人体动作识别方法,其旨在突破现有算法的局限性,在提高分类精度的同时降低算法复杂度,使得在实际的工程应用中更容易实现。
为达到上述目的,本发明采用如下技术方案:
一种基于有监督等距映射的人体动作识别方法,其特征在于,包括以下步骤:
S1、对视频通过码书方法进行前景提取,得到二值化人体前景图像;
S2、对人体前景图像进行形态学处理并归一化,得到人体剪影图像;
S3、对人体剪影图像序列进行周期化分析,对每个视频,通过包含一个完整动作周期的关键帧来表示该视频;
S4、对人体剪影图像的关键帧进行向量化,通过有监督的等距映射进行特征降维;
S5、将降维后的特征通过基于Hausdorff距离的最近邻分类器进行识别。
上述基于有监督等距映射的人体动作识别方法,更进一步地描述为:
S1、对输入视频使用中值滤波进行去噪处理,通过码本codebook法进行背景建模,构建一个随时间和空间变化而自适应变化的背景模型,之后将当前帧与背景模型进行差分,根据预设定的阈值,分割图像后得到人体动作前景图像I;
S2、将人体动作二值剪影图像I经过4次开运算,之后根据预设定的阈值合并小区域并进行空洞填充,得到最大连通区域I’,根据I’确定人体动作剪影轮廓图像的中心,将图像进行归一化;
S3、每个视频中提取出的人体剪影图像序列进行周期化分析,根据长宽比时变曲线上的极值点确定一个完整周期动作的始末帧作为表示视频动作的关键帧;
S4、将上述关键帧图像进行向量化,通过有监督的等距映射进行特征降维,构成样本特征数据库;
S5、对新加入的测试视频,通过S1-S4步骤进行处理后,将降维后的特征序列经过基于均值Hausdorff距离的最近邻分类器与特征数据库中的样本序列进行比对,得到识别结果。
所述步骤S4中有监督的等距映射包括如下步骤:
S41、求解差异度矩阵;
S42、构建近邻图;
S43、更新差异度矩阵;
S44、计算测地距离矩阵
S45、计算测试样本帧的线性表出系数;
S46、通过测试样本帧的近邻点及其线性表出系数,更新差异度矩阵,再更新测地距离矩阵;
S47、通过多维标度算法MDS求解动作数据的低维嵌入。
上述步骤S42中构建近邻图具体包括如下四步:
S421、确定初始邻域值,计算欧氏距离矩阵;
S422、对每个局部邻域集,计算其中任意两点的测地距离;
S423、对每个局部邻域集,计算局部流形结构的弯曲度比例因子;
S424、对于整个局部邻域集,计算其中的均值比例因子,更新每一个样本点的邻域数大小。
本发明的核心思想是对人体动作的高维特征空间通过有监督等距映射算法进行非线性降维,从而获得人体动作的低维流形表示,然后在低维流形上进行人体动作识别。
与现有技术相比,本发明具有以下有益效果:
本发突破现有算法的局限性,在提高分类精度的同时降低了算法复杂度,使得在实际的工程应用中更容易实现。
附图说明
图1是人体动作识别方法的整体框架流程图;
图2是特征提取与表示方法的流程图;
图3是人体动作识别训练与识别具体实现步骤的流程图;
图4是周期性分析提取关键帧的示意图;
图5是对前景图像进行向量化的示意图;
图6是动态邻域有监督映射进行动作数据降维识别的流程图。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
一种基于有监督等距映射的人体动作识别方法,包括如下步骤:
S1、对视频通过码书(codebook)方法进行前景提取,得到二值化人体前景图像;
S2、对人体前景图像进行形态学处理并归一化,得到人体剪影图像;
S3、对人体剪影图像序列进行周期化分析,对每个视频,通过包含一个完整动作周期的关键帧来表示该视频;
S4、对人体剪影图像的关键帧进行向量化,通过有监督的等距映射(S-ISOMAP)进行特征降维;
S5、将降维后的特征通过基于Hausdorff距离的最近邻分类器进行识别。
上述方案中,所述S1步骤具体为:对输入视频使用中值滤波进行去噪处理,通过码书法进行背景建模,构建一个随时间和空间变化而自适应变化的背景模型,之后将当前帧与背景模型进行差分,根据预设定的阈值,分割图像后得到人体动作前景图像I;
上述方案中,所述S2步骤具体为:将人体动作二值剪影图像I经过4次开运算,之后根据预设定的阈值合并小区域并进行空洞填充,得到最大连通区域I’,根据I’确定人体动作剪影轮廓图像的中心,将图像进行归一化;
上述方案中,所述S3步骤具体为:对提取的运动人体轮廓,分析其宽高比,统计其随时间变化所呈现出的周期特性,人体静止站立的姿态一般对应宽高比时变曲线中的波谷,选择第二个波谷位置与第三个波谷位置之间的图像序列作为表征该动作的关键帧,如图4所示。
上述方案中,所述S4步骤具体包括:
对提取出的关键帧图像序列里的每一帧,通过图5的方式按列串成向量xi。
其中训练样本库为[x1,x2,…xi,…xN],yi是xi的类别标签,xl为待测样本序列中的某一帧。有监督等距映射降维主要包括以下步骤:
S41、求解差异度矩阵。通过欧氏距离来衡量各点之间的差异度,求得训练样本库数据点对之间的差异度de(xi,xj),得到de=[dij]n×n,dij=de(xi,xj)。
S42、构建近邻图。动态确定邻域数ki,算法步骤如下所示:
S421、确定初始邻域值k,计算欧氏距离矩阵。根据k值确定每个样本点xi的初始邻域Xi,形成局部邻域集X={X1,X2,…XN},其中N为总样本数。
S422、对每个局部邻域集Xi,计算其中任意两点的测地距离。计算方法如下:局部邻域Xi内,求取每个点的最近邻点,从而构建权重图G=(V,E),其中V是Xi中所有样本点,在目标点xm及其最近邻点xn之间连上一条边,组成边的集合E,权值为其欧氏距离de(xm,xn)。在Xi内求解测地距离,对所有(xm,xn)∈E,初始化dg(xm,xn)=de(xm,xn),对令dg(xm,xn)=+∞,通过公式(1)更新其测地距离。
dg(xm,xn)=min{de(xm,xn),de(xm,xo)+de(xo,xn)} (1)
S423、对每一个局部邻域Xi,通过公式(2)计算局部流形结构的弯曲度比例因子λi。
S424、对于整个局部邻域集X={X1,X2,…XN},通过公式(3)计算其中的均值比例因子,每一个样本点xi的邻域大小ki通过公式(4)进行更新。
S43、更新差异度矩阵。对xi,i=1,2,…,N,通过公式(5)更新差异度度量。
其中β表示所有数据点对之间的平均欧式距离,α取值范围在0到1之间,Xi为通过步骤2)中更新邻域数ki后得到xi的邻域。
S44、计算测地距离矩阵。使用弗洛伊德算法更新其测地距离矩阵:
S45、计算测试样本帧的线性表出系数。将测试样本帧xl加入训练样本矩阵得到[x1,x2,…xi,…xN,xl],通过动态确定邻域的方法求得xl的近邻点(x1l,...,xkl),并根据公式(7)和公式(8)求得其线性表出系数w1,w2…wk,k表示线性表出近邻点的个数。
xl=w1x1l+w2x2l+…wkxkl (9)
S46、通过测试样本帧近邻点x1l,x2l,…xkl及其线性表出系数w1,w2…wk,更新差异度矩阵,之后更新测地距离矩阵。
D(xl,xi)=w1D(x1l,xi)+w2D(x2l,xi)+…wkD(xkl,xi) (10)
S47、得到矩阵G′,并通过多维标度算法(MDS)求解G′的低维嵌入矩阵Y。
其中,所述S5步骤具体为:训练样本和测试样本序列里的每一帧通过S4中步骤降维得到低维嵌入之后,通过均值Hausdorff距离衡量两个序列之间的相似度。设A和B为两个动作序列,A={a1,a2,…,an},B={b1,b2,…,bn},两序列间的均值Hausdorff距离定义如公式(15)所示:
S(A,B)=S(B,A)=s(A,B)+s(B,A) (15)
其中de(ai,bj)表示两点之间的欧氏距离。
通过均值Hausdorff距离选取训练样本库中最接近待测样本序列的动作序列的类别作为识别结果。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于有监督等距映射的人体动作识别方法,其特征在于,包括以下步骤:
S1、对视频通过码书方法进行前景提取,得到二值化人体前景图像;
S2、对人体前景图像进行形态学处理并归一化,得到人体剪影图像;
S3、对人体剪影图像序列进行周期化分析,对每个视频,通过包含一个完整动作周期的关键帧来表示该视频;
S4、对人体剪影图像的关键帧进行向量化,通过有监督的等距映射进行特征降维;
S5、将降维后的特征通过基于Hausdorff距离的最近邻分类器进行识别。
2.根据权利要求1所述的基于有监督等距映射的人体动作识别方法,其特征在于,所述步骤S1-S5更进一步地描述为:
S1、对输入视频使用中值滤波进行去噪处理,通过码本codebook法进行背景建模,构建一个随时间和空间变化而自适应变化的背景模型,之后将当前帧与背景模型进行差分,根据预设定的阈值,分割图像后得到人体动作前景图像I;
S2、将人体动作二值剪影图像I经过4次开运算,之后根据预设定的阈值合并小区域并进行空洞填充,得到最大连通区域I’,根据I’确定人体动作剪影轮廓图像的中心,将图像进行归一化;
S3、每个视频中提取出的人体剪影图像序列进行周期化分析,根据长宽比时变曲线上的极值点确定一个完整周期动作的始末帧作为表示视频动作的关键帧;
S4、将上述关键帧图像进行向量化,通过有监督的等距映射进行特征降维,构成样本特征数据库;
S5、对新加入的测试视频,通过S1-S4步骤进行处理后,将降维后的特征序列经过基于均值Hausdorff距离的最近邻分类器与特征数据库中的样本序列进行比对,得到识别结果。
3.根据权利要求1所述的基于有监督等距映射的人体动作识别方法,其特征在于,所述步骤S4中有监督的等距映射包括如下步骤:
S41、求解差异度矩阵;
S42、构建近邻图;
S43、更新差异度矩阵;
S44、计算测地距离矩阵
S45、计算测试样本帧的线性表出系数;
S46、通过测试样本帧的近邻点及其线性表出系数,更新差异度矩阵,再更新测地距离矩阵;
S47、通过多维标度算法MDS求解动作数据的低维嵌入。
4.根据权利要求3所述的基于有监督等距映射的人体动作识别方法,其特征在于,上述步骤S42中构建近邻图具体包括如下四步:
S421、确定初始邻域值,计算欧氏距离矩阵;
S422、对每个局部邻域集,计算其中任意两点的测地距离;
S423、对每个局部邻域集,计算局部流形结构的弯曲度比例因子;
S424、对于整个局部邻域集,计算其中的均值比例因子,更新每一个样本点的邻域数大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310346596.6A CN103400154B (zh) | 2013-08-09 | 2013-08-09 | 一种基于有监督等距映射的人体动作识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310346596.6A CN103400154B (zh) | 2013-08-09 | 2013-08-09 | 一种基于有监督等距映射的人体动作识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103400154A true CN103400154A (zh) | 2013-11-20 |
CN103400154B CN103400154B (zh) | 2016-08-10 |
Family
ID=49563772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310346596.6A Expired - Fee Related CN103400154B (zh) | 2013-08-09 | 2013-08-09 | 一种基于有监督等距映射的人体动作识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400154B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408461A (zh) * | 2014-11-05 | 2015-03-11 | 浙江工业大学 | 一种基于滑动窗口局部匹配窗口的动作识别方法 |
CN105930778A (zh) * | 2016-04-14 | 2016-09-07 | 厦门理工学院 | 一种基于红外图像的夜间人体睡姿监测方法及系统 |
CN106127112A (zh) * | 2016-06-15 | 2016-11-16 | 北京工业大学 | 基于dlle模型的数据降维与特征理解方法 |
CN108181327A (zh) * | 2016-12-07 | 2018-06-19 | 同方威视技术股份有限公司 | 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法 |
CN108520205A (zh) * | 2018-03-21 | 2018-09-11 | 安徽大学 | 一种基于Citation-KNN的人体动作识别方法 |
CN108937847A (zh) * | 2017-05-22 | 2018-12-07 | 北京大学 | 一种评价人体运动协调性的方法 |
CN111432128A (zh) * | 2020-04-13 | 2020-07-17 | 深圳市华冠科讯电子有限公司 | 一种侦测精准度高的视频监控系统 |
CN112200247A (zh) * | 2020-10-12 | 2021-01-08 | 杭州伍暨通信设备有限公司 | 基于多维图像映射的图像处理系统及方法 |
CN113115037A (zh) * | 2021-06-15 | 2021-07-13 | 深圳市中鹏教育科技股份有限公司 | 一种在线教育方法、系统、设备及存储介质 |
CN113221809A (zh) * | 2021-05-26 | 2021-08-06 | 每日互动股份有限公司 | 一种基于剪影图的运动状态识别方法、电子设备及介质 |
CN113420609A (zh) * | 2021-05-31 | 2021-09-21 | 湖南森鹰智造科技有限公司 | 激光雷达人体手势识别方法、电子设备、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
CN101819627A (zh) * | 2010-03-30 | 2010-09-01 | 北京蓝色星河软件技术发展有限公司 | 一种基于空间转换的人员异常行为识别方法 |
US8345984B2 (en) * | 2010-01-28 | 2013-01-01 | Nec Laboratories America, Inc. | 3D convolutional neural networks for automatic human action recognition |
-
2013
- 2013-08-09 CN CN201310346596.6A patent/CN103400154B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
US8345984B2 (en) * | 2010-01-28 | 2013-01-01 | Nec Laboratories America, Inc. | 3D convolutional neural networks for automatic human action recognition |
CN101819627A (zh) * | 2010-03-30 | 2010-09-01 | 北京蓝色星河软件技术发展有限公司 | 一种基于空间转换的人员异常行为识别方法 |
Non-Patent Citations (3)
Title |
---|
QU HANG等: ""human action recognition based on adaptive distance generalization of isometric mapping"", 《IMAGE AND SIGNAL PROCESSING(CISP),2012 5TH INTERNATIONAL CONGRESS ON》, 18 October 2012 (2012-10-18) * |
熊亮等: ""基于背景Codebook模型的前景检测算法"", 《科学技术与工程》, vol. 10, no. 9, 28 March 2010 (2010-03-28) * |
程建等: ""基于自适应距离的等距映射"", 《中国科技论文》, vol. 7, no. 10, 15 October 2012 (2012-10-15) * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408461B (zh) * | 2014-11-05 | 2018-03-16 | 浙江工业大学 | 一种基于滑动窗口局部匹配窗口的动作识别方法 |
CN104408461A (zh) * | 2014-11-05 | 2015-03-11 | 浙江工业大学 | 一种基于滑动窗口局部匹配窗口的动作识别方法 |
CN105930778A (zh) * | 2016-04-14 | 2016-09-07 | 厦门理工学院 | 一种基于红外图像的夜间人体睡姿监测方法及系统 |
CN106127112A (zh) * | 2016-06-15 | 2016-11-16 | 北京工业大学 | 基于dlle模型的数据降维与特征理解方法 |
CN108181327A (zh) * | 2016-12-07 | 2018-06-19 | 同方威视技术股份有限公司 | 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法 |
CN108181327B (zh) * | 2016-12-07 | 2021-02-05 | 同方威视技术股份有限公司 | 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法 |
CN108937847A (zh) * | 2017-05-22 | 2018-12-07 | 北京大学 | 一种评价人体运动协调性的方法 |
CN108520205B (zh) * | 2018-03-21 | 2022-04-12 | 安徽大学 | 一种基于Citation-KNN的人体动作识别方法 |
CN108520205A (zh) * | 2018-03-21 | 2018-09-11 | 安徽大学 | 一种基于Citation-KNN的人体动作识别方法 |
CN111432128A (zh) * | 2020-04-13 | 2020-07-17 | 深圳市华冠科讯电子有限公司 | 一种侦测精准度高的视频监控系统 |
CN112200247A (zh) * | 2020-10-12 | 2021-01-08 | 杭州伍暨通信设备有限公司 | 基于多维图像映射的图像处理系统及方法 |
CN112200247B (zh) * | 2020-10-12 | 2021-07-02 | 西安泽塔云科技股份有限公司 | 基于多维图像映射的图像处理系统及方法 |
CN113221809A (zh) * | 2021-05-26 | 2021-08-06 | 每日互动股份有限公司 | 一种基于剪影图的运动状态识别方法、电子设备及介质 |
CN113420609A (zh) * | 2021-05-31 | 2021-09-21 | 湖南森鹰智造科技有限公司 | 激光雷达人体手势识别方法、电子设备、存储介质 |
CN113115037A (zh) * | 2021-06-15 | 2021-07-13 | 深圳市中鹏教育科技股份有限公司 | 一种在线教育方法、系统、设备及存储介质 |
CN113115037B (zh) * | 2021-06-15 | 2021-09-14 | 深圳市中鹏教育科技股份有限公司 | 一种在线教育方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103400154B (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400154A (zh) | 一种基于有监督等距映射的人体动作识别方法 | |
CN105956560B (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN104392463B (zh) | 一种基于联合稀疏多尺度融合的图像显著区域检测方法 | |
CN101551863B (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
CN104636732B (zh) | 一种基于序列深信度网络的行人识别方法 | |
CN108133188A (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN106023220A (zh) | 一种基于深度学习的车辆外观部件图像分割方法 | |
CN102622590B (zh) | 基于人脸-指纹协同的身份识别方法 | |
CN101930549B (zh) | 基于第二代曲线波变换的静态人体检测方法 | |
CN103218609A (zh) | 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置 | |
CN103020614B (zh) | 基于时空兴趣点检测的人体运动识别方法 | |
CN105046195A (zh) | 基于非对称广义高斯模型的人体行为识别方法 | |
CN106055653A (zh) | 基于图像语义注释的视频浓缩对象检索方法 | |
CN104298974A (zh) | 一种基于深度视频序列的人体行为识别方法 | |
CN109325507A (zh) | 一种结合超像素显著性特征与hog特征的图像分类算法和系统 | |
CN104298977A (zh) | 一种基于不相关性约束的低秩表示人体行为识别方法 | |
CN102592150B (zh) | 基于模糊理论决策的双向二维主成分分析的步态识别方法 | |
CN103186776A (zh) | 基于多特征和深度信息的人体检测方法 | |
CN104268507A (zh) | 一种基于rgb-d图像的手语字母识别方法 | |
CN104063721A (zh) | 一种基于语义特征自动学习与筛选的人类行为识别方法 | |
CN102184384A (zh) | 一种基于多尺度局部相位量化特征的人脸识别方法 | |
CN105469050A (zh) | 基于局部时空特征描述与金字塔词汇树的视频行为识别方法 | |
CN102880870A (zh) | 人脸特征的提取方法及系统 | |
CN104200218A (zh) | 一种基于时序信息的跨视角动作识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160810 Termination date: 20170809 |
|
CF01 | Termination of patent right due to non-payment of annual fee |