CN103473562B - 特定人体动作的自动训练和识别系统 - Google Patents
特定人体动作的自动训练和识别系统 Download PDFInfo
- Publication number
- CN103473562B CN103473562B CN201310428326.XA CN201310428326A CN103473562B CN 103473562 B CN103473562 B CN 103473562B CN 201310428326 A CN201310428326 A CN 201310428326A CN 103473562 B CN103473562 B CN 103473562B
- Authority
- CN
- China
- Prior art keywords
- action
- training
- information
- frame
- coordinate
- 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.)
- Expired - Fee Related
Links
- 238000012549 training Methods 0.000 title claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 80
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000010365 information processing Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种特定人体动作的自动训练和识别系统，包括训练信息采集单元、训练信息处理单元和动作信息识别单元，其中，所述的训练信息采集单元使用多个深度信息帧和骨骼信息帧按照设定的存储格式来保存采集器传输过来的原始动作信息，做为原始动作的样本数据；所述的训练信息处理单元对训练信息采集单元传输过来的样本数据进行正则化处理；所述的动作信息识别单元先通过特征三维向量集进行模糊识别，缩小搜索范围后，再进一步进行精确识别，从而认定待识别动作为当前候选动作。该系统采用降精度离散化坐标算法以简化运动信息表示和减少特征提取算法的计算量，同时采用多层次特征匹配算法以加快识别速度。
Description
技术领域
本发明属于计算机工程技术领域，涉及了一种基于机器学习的、用于产生特定人体动作识别器的训练系统。
背景技术
动作识别是近年来非常热门的研究领域，通过图像捕捉设备，在较短的时间内完成对人体动作的识别过程，并转换为计算机等设备的操作指令；从而被作为一种有效的输入手段被应用到游戏、电影制作等广泛的应用领域中。
动作识别首先要解决的问题是找到人体动作的部位，人体动作的部位是动作识别的依据，一般称为“关注位置”。因为通常关注位置为人脸、手等裸露的部位，其颜色跟环境、衣服有比较大的区别，所以可以从颜色上把关注位置与非关注位置区分开，对于关注位置的确定，一般采用基于颜色分布统计的色彩直方图为依据，具体来说，是将人体动作捕捉为静态的待识别图像，根据图像不同区域（两区域中心位置、大小有任意一项不同则这两个区域为不同区域）的颜色统计出色彩直方图，然后把各区域的统计直方图与预设的直方图做比较，寻找最相似的区域作为最后的关注位置。
但这种方法对颜色要求很高，人穿着与肤色相近的衣服、周围环境与肤色相近、环境光色调单一等等因素都会导致识别率大幅下降，且该方法只能获得所关注位置在图像的哪个位置，而无法获得关注位置的具体表达含义。
为消除颜色对图像识别的影响，现有的识别技术通常先把待识别图像转化为灰度图，然后对得到的灰度图进行识别。待识别图像被转化为灰度图后，需要用经过神经网络等人工智能技术训练的识别系统从整体中根据轮廓线条走向、各部分位置关系等特征寻找到关注位置，例如从人的全身像里找到脸或者手。
目前，在开源计算机视觉库项目中，采用了一种基于简单特征级联的图像识别算法，采用该算法的动作识别过程大致可分为两部分，首先要通过训练过程生成特征文件，之后通过识别过程根据生成的特征文件对捕获的图像进行识别，得到识别结果。该算法取得了较好的效果，但是其还是存在着一些不足，如特征文件的计算量比较大、识别速度比较慢等。因此，市场上仍需一种计算量少、识别速度快的图像训练识别系统。
发明内容
本发明的目的在于针对现有技术的不足，提供了一种降精度离散化坐标算法以简化运动信息表示和减少特征提取算法的计算量，同时采用多层次特征匹配算法以加快识别速度的特定人体动作的自动训练和识别系统。
为了实现上述目的，本发明采用了以下技术方案：
一种特定人体动作的自动训练和识别系统，包括训练信息采集单元、训练信息处理单元和动作信息识别单元，其中：
所述的训练信息采集单元使用多个深度信息帧和骨骼信息帧按照设定的存储格式来保存采集器传输过来的原始动作信息，做为原始动作的样本数据；
所述的训练信息处理单元对训练信息采集单元传输过来的样本数据进行正则化处理，即先通过离散化骨骼点坐标，将样本数据离散化为动作的样本三维向量集，然后再通过特征提取算法获取特征三维向量集；
所述的动作信息识别单元先通过特征三维向量集进行模糊识别，缩小搜索范围后，再进一步进行精确识别，从而认定待识别动作为当前候选动作。
作为本发明的系统进一步说明，以上所述设定的存储格式包括以下字段：动作ID、动作名称、动作信息帧的对数、深度信息帧和骨骼信息帧。
作为本发明的系统进一步说明，以上所述的采集器包括深度探测摄像头和第三方SDK。
该系统生成的样本数据中每个单位立方体均包含向量信息。
该系统根据一个动作的所有样本数据（样本三维向量集）生成一个特征样本（特征三维向量集），特征样本（特征三维向量集）可以加快动作识别速度。
该系统的特征样本（特征三维向量集）生成方法为选取在所有样本中出现比率大于50%的三维坐标点。
在该系统中，先计算待识别动作的三维向量集与各候选动作的特征样本（特征三维向量集）之间的相似度，通过预设阀值过滤掉不匹配的动作。
该系统采用了特征三维向量集之间的几何距离作为相似度计算方法。
该系统的特征数据
该特定人体动作的自动训练和识别系统的实现方法（处理流程）具体包括以下步骤：
（1）训练信息的采集：
通过深度探测摄像头及第三方SDK采集需要被识别的各种动作样本，并且在将采集到的样本数据进行存储时，其存储格式包括以下字段：动作ID（Action ID: Int32）、动作名称（Action Name: String）、动作信息帧的对数（Frame Count:
Integer）、深度信息帧（Depth Frame #n: Integer Array）和骨骼信息帧（Skeleton Frame #n: Integer Array）；
（2）样本数据正则化处理：
a.统一坐标系，即对每帧的深度信息数据和骨骼信息数据进行坐标变换，将它们统一到同一世界坐标系中；
b.离散化骨骼点坐标，即对当前帧中每个骨骼信息数据点坐标进行离散化处理，离散化的步骤为：
i）根据前后相邻的各一帧中的同一骨骼点坐标，计算该骨骼点的运动向量；
ii）查找该骨骼点对应的目标离散坐标系中的单位立方体；
iii）把该骨骼点的运动向量合成到单位立方体的当前运动向量中；
c.离散化深度信息数据坐标，即在离散化骨骼点坐标时，如果该骨骼点为手部点，则将该骨骼点附近的深度数据点也进行离散化，离散化后的对应于深度信息数据的单位立方体拥有与该骨骼点相同的运动向量；
d.对每一帧重复上述a、b、c步骤，对每一个待识别动作生成一个对应的样本三维向量集；
（3）特征三维向量集的提取：
通过训练样本数据结构中的动作ID，获知正则化后的样本三维向量集所对应的人体动作，对于该动作所有的训练样本生成的所有三维向量集，都将作为该动作对应的样本三维向量集；对样本三维向量集进行特征提取，获取该动作的特征三维向量集，具体提取算法如下：
a.计算每个三维坐标点在全部三维向量集中出现的次数；
b.根据其出现次数计算其特征系数，即，特征系数 = 三维坐标点出现次数 / 该动作三维向量集的个数；
c.如果特征系数大于50%，则认为该点的三维向量集属于特征三维向量集；
（4）动作识别及认定：
对于任意一个待识别的动作，通过步骤（1）、（2）得到它的三维向量集，然后采用以下算法进行识别：
a.快速进行识别
计算该三维向量集与当前系统中所有的特征三维向量的距离，如果该距离小于该特征三维向量所对应的阀值，那么将此特征三维向量对应的动作作为一个候选动作；
b.精细识别
对所有候选动作，根据距离由小到大进行排序，然后依次对每个候选动作中的样本三维向量集，计算它与待识别动作的三维向量集的距离，如果其中最小距离小于预设的阀值，那么系统自动认定待识别动作为当前候选动作。
上述方法中进一步补充说明，所述的深度信息帧中的每个元素都是其对应坐标上的深度信息。
上述方法中进一步补充说明，所述的骨骼信息帧有人体骨骼点坐标数据组成。
上述方法中进一步补充说明，所述的动作信息帧的对数是指一个动作中有多少对深度信息帧和骨骼信息帧。
SDK，Software Development Kit 的缩写，中文即“软件开发工具包”。广义上指辅助开发某一类软件的相关文档、范例和工具的集合。SDK是一些被软件工程师用于为特定的软件包、软件框架、硬件平台、操作系统等创建应用软件的开发工具的集合，一般而言SDK即开发Windows平台下的应用程序所使用的SDK。它可以简单的为某个程序设计语言提供应用程序接口API的一些文件，但也可能包括能与某种嵌入式系统通讯的复杂的硬件。一般的工具包括用于调试和其他用途的实用工具。SDK 还经常包括示例代码、支持性的技术注解或者其他的为基本参考资料澄清疑点的支持文档。
本发明是基于由特定的硬件采集的多帧深度图像数据与人体骨骼数据，通过本发明中针对动作识别领域而专门设计的算法，实现一个人体动作训练与识别系统。
该系统为所有需要对各种人体动作识别的应用提供了一个通用的设计与基础平台。
本发明的优点：
1.在本发明的系统中，对原始数据进行降精度离散化处理，这样不仅能够减少原始数据的噪声还可以降低运算量，以加快识别速度。
2.在本发明的系统中，采用了多层次特征匹配算法，进一步加快了动作训练识别速度。
3.本发明的系统的逻辑设计及算法简单合理，可行可靠、易实现。
附图说明
图1是本发明中样本数据存储结构示意图。
图2是本发明中坐标离散化示意图。
图3是本发明中动作三维向量集示意图。
在图2、图3中：A-单位立方体；B-原始坐标中不同的高精度点，经过离散化后，可能会被映射到同一单位立方体中；C-动作离散化后的三维向量集。
具体实施方式
下面结合实施例和附图对本发明进一步说明。
实施例1：
一种特定人体动作的自动训练和识别系统，包括训练信息采集单元、训练信息处理单元和动作信息识别单元，其中，所述的训练信息采集单元使用多个深度信息帧和骨骼信息帧按照设定的存储格式来保存采集器传输过来的原始动作信息，做为原始动作的样本数据；所述的训练信息处理单元对训练信息采集单元传输过来的样本数据进行正则化处理，即先通过离散化骨骼点坐标，将样本数据离散化为动作的样本三维向量集，然后再通过特征提取算法获取特征三维向量集；所述的动作信息识别单元先通过特征三维向量集进行模糊识别，缩小搜索范围后，再进一步进行精确识别，从而认定待识别动作为当前候选动作。
实施例2：
一种特定人体动作的自动训练和识别系统，包括训练信息采集单元、训练信息处理单元和动作信息识别单元，其中，所述的训练信息采集单元使用多个深度信息帧和骨骼信息帧按照设定的存储格式来保存采集器传输过来的原始动作信息，做为原始动作的样本数据；所述的训练信息处理单元对训练信息采集单元传输过来的样本数据进行正则化处理，即先通过离散化骨骼点坐标，将样本数据离散化为动作的样本三维向量集，然后再通过特征提取算法获取特征三维向量集；所述的动作信息识别单元先通过特征三维向量集进行模糊识别，缩小搜索范围后，再进一步进行精确识别，从而认定待识别动作为当前候选动作。所述设定的存储格式包括以下字段：动作ID、动作名称、动作信息帧的对数、深度信息帧和骨骼信息帧。所述的深度信息帧中的每个元素都是其对应坐标上的深度信息；所述的骨骼信息帧有人体骨骼点坐标数据组成；所述的动作信息帧的对数是指一个动作中有多少对深度信息帧和骨骼信息帧。所述的采集器包括深度探测摄像头和第三方SDK。
实施例3：
一种特定人体动作的自动训练和识别系统，包括训练信息采集单元、训练信息处理单元和动作信息识别单元，其中，所述的训练信息采集单元使用多个深度信息帧和骨骼信息帧按照设定的存储格式来保存采集器传输过来的原始动作信息，做为原始动作的样本数据；所述的训练信息处理单元对训练信息采集单元传输过来的样本数据进行正则化处理，即先通过离散化骨骼点坐标，将样本数据离散化为动作的样本三维向量集，然后再通过特征提取算法获取特征三维向量集；所述的动作信息识别单元先通过特征三维向量集进行模糊识别，缩小搜索范围后，再进一步进行精确识别，从而认定待识别动作为当前候选动作。所述设定的存储格式包括以下字段：动作ID、动作名称、动作信息帧的对数、深度信息帧和骨骼信息帧。所述的深度信息帧中的每个元素都是其对应坐标上的深度信息；所述的骨骼信息帧有人体骨骼点坐标数据组成；所述的动作信息帧的对数是指一个动作中有多少对深度信息帧和骨骼信息帧。所述的采集器包括深度探测摄像头和第三方SDK。
所述的“通过离散化骨骼点坐标，将样本数据离散化为动作的样本三维向量集”包括以下处理步骤：
a.统一坐标系，即对每帧的深度信息数据和骨骼信息数据进行坐标变换，将它们统一到同一世界坐标系中；
b.离散化骨骼点坐标，即对当前帧中每个骨骼信息数据点坐标进行离散化处理，离散化的步骤为：
i）根据前后相邻的各一帧中的同一骨骼点坐标，计算该骨骼点的运动向量；
ii）查找该骨骼点对应的目标离散坐标系中的单位立方体；
iii）把该骨骼点的运动向量合成到单位立方体的当前运动向量中；
c.离散化深度信息数据坐标，即在离散化骨骼点坐标时，如果该骨骼点为手部点，则将该骨骼点附近的深度数据点也进行离散化，离散化后的对应于深度信息数据的单位立方体拥有与该骨骼点相同的运动向量；
d.对每一帧重复上述a、b、c步骤，对每一个待识别动作生成一个对应的样本三维向量集。
所述的“特征提取算法”具体为：
a.计算每个三维坐标点在全部三维向量集中出现的次数；
b.根据其出现次数计算其特征系数，即，特征系数 = 三维坐标点出现次数 / 该动作三维向量集的个数；
c.如果特征系数大于50%，则认为该点的三维向量集属于特征三维向量集。
所述的“模糊识别”具体为：计算该三维向量集与当前系统中所有的特征三维向量的距离，如果该距离小于该特征三维向量所对应的阀值，那么将此特征三维向量对应的动作作为一个候选动作。
所述的“精确识别”具体为：对所有候选动作，根据距离由小到大进行排序，然后依次对每个候选动作中的样本三维向量集，计算它与待识别动作的三维向量集的距离，如果其中最小距离小于预设的阀值，那么系统自动认定待识别动作为当前候选动作。
上述实施例1-3的系统对原始数据进行降精度离散化处理，这样不仅能够减少原始数据的噪声还可以降低运算量；同时，采用了多层次特征匹配算法，进一步加快了动作训练识别速度。
Claims (7)
1. 一种特定人体动作的自动训练和识别系统，包括训练信息采集单元、训练信息处理单元和动作信息识别单元，其特征在于：
所述的训练信息采集单元使用多个深度信息帧和骨骼信息帧按照设定的存储格式来保存采集器传输过来的原始动作信息，做为原始动作的样本数据；
所述的训练信息处理单元对训练信息采集单元传输过来的样本数据进行正则化处理，即先通过离散化骨骼点坐标，将样本数据离散化为动作的样本三维向量集，然后再通过特征提取算法获取特征三维向量集；所述的“通过离散化骨骼点坐标，将样本数据离散化为动作的样本三维向量集”包括以下处理步骤：
a.统一坐标系，即对每帧的深度信息数据和骨骼信息数据进行坐标变换，将它们统一到同一世界坐标系中；
b.离散化骨骼点坐标，即对当前帧中每个骨骼信息数据点坐标进行离散化处理，离散化的步骤为：
i）根据前后相邻的各一帧中的同一骨骼点坐标，计算该骨骼点的运动向量；
ii）查找该骨骼点对应的目标离散坐标系中的单位立方体；
iii）把该骨骼点的运动向量合成到单位立方体的当前运动向量中；
c.离散化深度信息数据坐标，即在离散化骨骼点坐标时，如果该骨骼点为手部点，则将该骨骼点附近的深度数据点也进行离散化，离散化后的对应于深度信息数据的单位立方体拥有与该骨骼点相同的运动向量；
d.对每一帧重复上述a、b、c步骤，对每一个待识别动作生成一个对应的样本三维向量集；
所述的“特征提取算法”具体为：
a.计算每个三维坐标点在全部三维向量集中出现的次数；
b.根据其出现次数计算其特征系数，即，特征系数 = 三维坐标点出现次数 / 该动作三维向量集的个数；
c.如果特征系数大于50%，则认为该点的三维向量集属于特征三维向量集；
所述的动作信息识别单元先通过特征三维向量集进行模糊识别，缩小搜索范围后，再进一步进行精确识别，从而认定待识别动作为当前候选动作。
2. 根据权利要求1所述的特定人体动作的自动训练和识别系统，其特征在于：所述设定的存储格式包括以下字段：动作ID、动作名称、动作信息帧的对数、深度信息帧和骨骼信息帧。
3. 根据权利要求1所述的特定人体动作的自动训练和识别系统，其特征在于：所述的“模糊识别”具体为：计算该三维向量集与当前系统中所有的特征三维向量的距离，如果该距离小于该特征三维向量所对应的阀值，那么将此特征三维向量对应的动作作为一个候选动作。
4. 根据权利要求3所述的特定人体动作的自动训练和识别系统，其特征在于：所述的“精确识别”具体为：对所有候选动作，根据距离由小到大进行排序，然后依次对每个候选动作中的样本三维向量集，计算它与待识别动作的三维向量集的距离，如果其中最小距离小于预设的阀值，那么系统自动认定待识别动作为当前候选动作。
5. 根据权利要求1-4任一所述的特定人体动作的自动训练和识别系统，其特征在于：所述的深度信息帧中的每个元素都是其对应坐标上的深度信息；所述的骨骼信息帧有人体骨骼点坐标数据组成。
6. 根据权利要求2所述的特定人体动作的自动训练和识别系统，其特征在于：所述的动作信息帧的对数是指一个动作中有多少对深度信息帧和骨骼信息帧。
7. 根据权利要求1-4，6任一所述的特定人体动作的自动训练和识别系统，其特征在于：所述的采集器包括深度探测摄像头和第三方SDK。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310428326.XA CN103473562B (zh) | 2013-09-18 | 2013-09-18 | 特定人体动作的自动训练和识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310428326.XA CN103473562B (zh) | 2013-09-18 | 2013-09-18 | 特定人体动作的自动训练和识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103473562A CN103473562A (zh) | 2013-12-25 |
| CN103473562B true CN103473562B (zh) | 2017-01-11 |
Family
ID=49798406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310428326.XA Expired - Fee Related CN103473562B (zh) | 2013-09-18 | 2013-09-18 | 特定人体动作的自动训练和识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103473562B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650687B (zh) * | 2016-12-30 | 2020-05-19 | 山东大学 | 一种基于深度信息和骨骼信息的姿势矫正方法 |
| US20220091837A1 (en) * | 2018-05-07 | 2022-03-24 | Google Llc | Application Development Platform and Software Development Kits that Provide Comprehensive Machine Learning Services |
| CN111353346A (zh) * | 2018-12-21 | 2020-06-30 | 上海形趣信息科技有限公司 | 动作识别方法、装置、系统、电子设备、存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9904845B2 (en) * | 2009-02-25 | 2018-02-27 | Honda Motor Co., Ltd. | Body feature detection and human pose estimation using inner distance shape contexts |
| CN103246884B (zh) * | 2013-05-22 | 2016-08-10 | 清华大学 | 基于深度图像序列的实时人体动作识别方法及装置 |
-
2013
- 2013-09-18 CN CN201310428326.XA patent/CN103473562B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN103473562A (zh) | 2013-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111723786B (zh) | 一种基于单模型预测的安全帽佩戴检测方法及装置 | |
| Goodfellow et al. | Multi-digit number recognition from street view imagery using deep convolutional neural networks | |
| Zhou et al. | BOMSC-Net: Boundary optimization and multi-scale context awareness based building extraction from high-resolution remote sensing imagery | |
| CN104361313B (zh) | 一种基于多核学习异构特征融合的手势识别方法 | |
| CN106909924A (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
| CN107292246A (zh) | 基于hog‑pca和迁移学习的红外人体目标识别方法 | |
| CN111046732B (zh) | 一种基于多粒度语义解析的行人重识别方法及存储介质 | |
| CN105550678A (zh) | 基于全局显著边缘区域的人体动作特征提取方法 | |
| CN106845440A (zh) | 一种增强现实图像处理方法及系统 | |
| CN111832568A (zh) | 车牌识别方法、车牌识别模型的训练方法和装置 | |
| CN112232199A (zh) | 基于深度学习的佩戴口罩检测方法 | |
| CN103489000A (zh) | 一种人体动作识别训练系统的实现方法 | |
| CN109299305A (zh) | 一种基于多特征融合的空间图像检索系统及检索方法 | |
| Shu et al. | LVC-Net: Medical image segmentation with noisy label based on local visual cues | |
| CN110147841A (zh) | 基于弱监督及无监督部件检测和分割的细粒度分类方法 | |
| Lee et al. | Automatic recognition of flower species in the natural environment | |
| Liu et al. | Robust salient object detection for RGB images | |
| Xu et al. | Occlusion problem-oriented adversarial faster-RCNN scheme | |
| CN103473562B (zh) | 特定人体动作的自动训练和识别系统 | |
| CN116416503A (zh) | 一种基于多模态融合的小样本目标检测方法、系统及介质 | |
| Lu | Multifeature fusion human motion behavior recognition algorithm using deep reinforcement learning | |
| CN110349176A (zh) | 基于三重卷积网络和感知干扰学习的目标跟踪方法和系统 | |
| Fazry et al. | Change detection of high-resolution remote sensing images through adaptive focal modulation on hierarchical feature maps | |
| Balachandar et al. | Deep learning technique based visually impaired people using YOLO V3 framework mechanism | |
| Wang et al. | YOLOv5-light: efficient convolutional neural networks for flame detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Bichun Inventor before: Qin Zhu Mao Inventor before: Liu Wei Inventor before: Yuan Zengwei Inventor before: Du Yiman Inventor before: He Jia Inventor before: Li Donge Inventor before: Liu Xiao Inventor before: Huang Yinong Inventor before: Huang Huafeng |
|
| COR | Change of bibliographic data | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20161123 Address after: 362400 Fujian County of Anxi Province town of Quanzhou Phoenix City Yilong District 17 building Applicant after: Wang Bichun Address before: 545006 the Guangxi Zhuang Autonomous Region hi tech Road, No. 1, science and Technology Industrial Park, layer 1005, No. 15, No. 10, Liuzhou Applicant before: LIUZHOU BOYUAN HUANKE SCIENCE & TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Huang Zhenwu Inventor before: Wang Bichun |
|
| CB03 | Change of inventor or designer information | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20170801 Address after: Gulou District of Nanjing city in Jiangsu province 210000 dinghuai Gate No. 4, the ancient forest park north gate rich technology center two floor Patentee after: NANJING RUICHI DINGXIN TECHNOLOGY CO.,LTD. Address before: 362400 Fujian County of Anxi Province town of Quanzhou Phoenix City Yilong District 17 building Patentee before: Wang Bichun |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211129 Address after: 210000 Room 501, unit 3, No. 5, Dinghuaimen, Gulou District, Nanjing, Jiangsu Province Patentee after: Huang Zhenwu Address before: 210000 second floor, Ruichi science and technology center, north gate of Gulin Park, No.4 Dinghuaimen, Gulou District, Nanjing, Jiangsu Province Patentee before: NANJING RUICHI DINGXIN TECHNOLOGY CO.,LTD. |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170111 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |