CN105404849B - 使用关联存储器分类的画面以获得姿势的度量 - Google Patents
使用关联存储器分类的画面以获得姿势的度量 Download PDFInfo
- Publication number
- CN105404849B CN105404849B CN201510550117.1A CN201510550117A CN105404849B CN 105404849 B CN105404849 B CN 105404849B CN 201510550117 A CN201510550117 A CN 201510550117A CN 105404849 B CN105404849 B CN 105404849B
- Authority
- CN
- China
- Prior art keywords
- motion
- individual
- interest
- associative memory
- computer
- 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.)
- Active
Links
- 230000015654 memory Effects 0.000 title claims description 121
- 230000033001 locomotion Effects 0.000 claims abstract description 205
- 230000009471 action Effects 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims description 33
- 230000004044 response Effects 0.000 claims description 8
- 208000027418 Wounds and injury Diseases 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 65
- 238000001514 detection method Methods 0.000 description 48
- 238000012545 processing Methods 0.000 description 31
- 230000036544 posture Effects 0.000 description 26
- 238000005259 measurement Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 230000002085 persistent effect Effects 0.000 description 11
- 230000002730 additional effect Effects 0.000 description 8
- 239000004744 fabric Substances 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010038584 Repetitive strain injury Diseases 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
- G06F12/0802—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches
- G06F12/0806—Multiuser, multiprocessor or multiprocessing cache systems
- G06F12/0815—Cache consistency protocols
- G06F12/0817—Cache consistency protocols using directory methods
- G06F12/082—Associative directories
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Animal Behavior & Ethology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开用于识别个体的感兴趣的动作的方法(1200)。该方法包括在计算机(1304)处以某一时间间隔从动作传感器(1302)收集个体的动作的动作传感器输入数据。该方法进一步包括使用计算机(1304),使用具有感兴趣的已分类的预定动作的集合的分析应用程序(1308)分析动作传感器输入数据。该分析应用程序(1308)基于共享的相对属性,把在时间间隔期间捕获的运动分类为相当于感兴趣的多个预定动作中的一个的动作。该方法进一步包括生成向监测系统(1412)提供感兴趣的已识别的预定动作的通知的输出。
Description
技术领域
本公开涉及用于确定人或对象的哪些运动被生成度量的方法和设备。
背景技术
分类系统接收数据、分析数据、然后使用分类器以分配数据到已知的集合,其中数据的一个或多个元素与已知的集合中的一个和多个元素对应。例如,在人体动作检测分类系统中,传感器可以测量人的活动。这些传感器可以将它们的数据输入到分类系统,然后分类系统分析数据,以确定数据最相似哪个动作。这种分类的示例可以分类人是否坐、站立、行走、握住电话、弯腰、或采取一些其他动作。在其他示例中,分类系统可以分析来自飞行器上的传感器的输入,然后对飞行器的操作的某一方面进行分类,诸如该飞行器是否执行转向或是否已经展开襟翼。
然而,在一些情况下,可能不期望测量关于人的额外的度量。例如,由于产生不必要的数据,所以不期望追踪关于人的动作的度量。因此,期望有某些方法和设备,其能够确定人或物的哪个运动应该获得度量。
发明内容
该说明性实施例提供用于识别个体的感兴趣的动作的方法。该方法包括在计算机上收集来自动作传感器的个体的动作的动作传感器输入数据达一时间间隔。该方法进一步包括使用计算机,使用具有感兴趣的已分类的预定动作的集合的分析应用程序,分析动作传感器的输入数据。该分析应用程序基于共享的相对属性,把在所述时间间隔期间捕获的运动分类为相当于感兴趣的多个预定动作中的其中一个的动作。该方法进一步包括生成向监测系统提供感兴趣的已识别的预定动作的通知的输出。
说明性实施例还提供用于识别个体的感兴趣的动作的装置。该装置包括动作传感器和与动作传感器通信的计算机。计算机被配置为从动作传感器收集关于个体的动作的动作传感器数据达一时间间隔。该装置进一步包括非暂时计算机可读存储介质,其储存具有感兴趣的已分类的预定动作的集合的分析应用程序。该分析应用程序进一步被配置,以致当被计算机执行时,该分析应用程序基于共享的相对属性,把在所述时间间隔期间捕获的个体的运动分类为相当于感兴趣的多个预定动作中的一个的动作。该分析应用程序被进一步配置,当被执行时,以生成向监测系统提供感兴趣的已识别的预定动作的通知的输出。
说明性实施例还提供系统。该系统包括运动测量设备,其具有配置为检测对象的部分的多个物理姿势的一个或多个传感器。该系统进一步包括关联存储器,其与运动测量设备通信,并且包括多个数据和在多个数据之中的多个关联,其中多个数据被收集到关联的群组内,其中关联存储器被配置为至少基于在多个数据中的间接关系而被查询。该系统进一步包括处理器,与关联存储器和运动测量设备通信,并且配置为接收来自运动测量设备的对象的动作输入数据,结合关联存储器,使动作输入数据与储存在关联存储器内的多个预定动作比较,把动作输入数据分类为从多个预定动作之中选定的特定动作,并且当特定动作与多个预定动作的子集中的一个动作匹配时,通知监测系统。
有利地,系统的处理器进一步被配置为,当特定动作与多个预定动作的子集中的一个动作匹配时,引起监测系统测量对象的额外动作。有利地,结合关联存储器的处理器被配置为输出对象的额外动作的评估。优选地,评估基于用户选择的准则。优选地,该系统包括运动测量设备,其具有配置为检测对象的部分的多个物理姿势的一个或多个传感器,其中对象是人。优选地,该子集包括至少一个不可取的人体姿势。更优选地,额外的动作包括在一定时间间隔期间人的所有动作,其中额外的动作只包括在一定时间间隔期间子集内的那些动作。优选地,该系统包括运动测量设备,其中人的个别身体部分被监测。该系统优选地包括处理器,其中,处理器进一步被配置,以当人的动作不再在子集内时通知监测系统。更优选地,处理器进一步被配置,以当人的动作在子集之外时,命令监测系统停止监测人。有利地,关联存储器被配置为被训练以包括在多个预定动作内的额外的预定动作,且包括多个预定动作的子集内的其他动作。
附图说明
在所附权利要求中阐述了说明性实施例的被认为具有新颖性特征的特性。但是,当结合附图阅读时,通过参考本公开的说明性实施例的以下具体实施方式,将充分地理解所述说明性实施例以及其优选的使用方式、进一步的目的及特征,其中:
图1根据说明性实施例图示说明运动检测系统的一个使用;
图2根据说明性实施例图示说明分类系统的示例;
图3根据说明性实施例图示说明在使用中的运动检测系统的示例;
图4根据说明性实施例图示说明被分类为伸手的预记录活动的示例;
图5根据说明性实施例图示说明被分类为站立的预记录活动的示例;
图6根据说明性实施例图示说明被分类为跪着的预记录活动的示例;
图7根据说明性实施例图示说明插入活动到分类系统的示例;
图8根据说明性实施例图示说明监测活动的示例;
图9根据说明性实施例图示说明用于使用关联存储器收集度量的系统的示例;
图10根据说明性实施例图示说明实体与结果比较的结果种类的示例;
图11是根据说明性实施例的用于识别个体的感兴趣动作的方法的流程图;
图12是根据说明性实施例的用于识别个体的感兴趣动作的另一个方法流程图;
图13是根据说明性实施例的用于识别个体感兴趣动作的装置;
图14是根据说明性实施例的用于当特定动作匹配多个预定动作的子集中的一个动作时,通知监测系统的系统;和
图15根据说明性实施例图示说明数据处理系统。
具体实施方式
说明性实施例认识并且考虑到,在没有某人亲身观察的情况下,获得关于人的特定姿势的精确测量或度量通常是困难的。例如,可能希望识别个体维持令人不舒服的姿势多长时间,以培训个体,进而当人处于该姿势的时使可能发生的潜在伤害最小化。而且,许多姿势如果重复地或不正确地进行会引起伤害。在制造设备内,由于不良姿势受伤的风险可以增加,其中当安装设备或零件时,员工被要求弯曲、伸手和伸展。说明性实施例的一个目的是帮助我们了解员工处于这些种类的姿势多长时间,希望能培训员工关于他们可能没有意识到的危险的实体行为。
说明性实施例还认识到,由于姿势本身,某些身体姿势可以难于识别。这些身体姿势可以难以测量。说明性实施例可以挑出难以测量的姿势来监测。说明性实施例可以通过使人演示这些行为并且捕获他们的姿势来捕获难以描述的行为以完成该目标。演示的行为被用于训练分类系统。因此,可以避免姿势的详细的数学描述。该功能在下面将进一步被描述。
在过去,在制造环境中监测人的身体姿势涉及到,当他们执行特定活动时,使某人观察其他人。通常,观察者的任务是,当执行活动时收集关于某一姿势的度量。这些度量的示例是人处于所给类型的身体姿势多长时间。
该解决方案不能很好的起作用。首先,必须要求额外的人力来观察,可能导致不期望的额外人力的数量。第二,由于被观察的人经常知道他们在被观察,所以当如果他们单独时,该人不倾向于以相同的方式完成活动。另外,当人类观察者长时间观察时,容易出错。而且,人类观察者可能具有认知偏差,其可能扭曲收集的度量。
过去的另一个监测技术是通过使用视频摄像机监测活动。然而,该解决方案仍需要人类监测,并且趋于比使某人亲身监测有较少的人员。虽然摄像机可以捕获关于特定姿势的许多信息,但是仍需要某人在摄像机的另一端解释结果。而且,在许多情况中,不鼓励或不允许使用视频摄像机。更近一步,人员不喜欢视频摄像机拍摄他们,即使在工作场所。
说明性实施例认识到这些过去的不足,并且提供用于克服这些不足的方法和设备。特别地,说明性实施例使用动作感测输入设备监测活动,与摄像机截然相反,但是(若需要)使用摄像机可实施该说明性实施例。如本文所使用,动作感测输入设备是被用于检测对象的姿势相对于其周围环境的改变或周围环境相对于对象的改变的装置。
以期望的间隔,动作感测输入设备可以记录在特定姿势下个体的一个画面或多个画面,然后将该信息馈送到关联存储器内,以便按照之前记录的活动分类该姿势。虽然术语“关联存储器”在下面被更正式的定义,但是在图15的数据处理系统1500的背景中,简单的说,关联存储器是一种设备,在该设备中,基于关系而不是直接相关,信息被收集到感兴趣的相关的群组内以获得新的理解(insight)。“分类”是根据包含了类别隶属关系已经已知的观察(或实例)的训练数据集合,识别新的观察属于类别集合中的哪个分类的任务。说明性实施例使用该信息,以提供关于自愿用户的被监测的身体活动的度量。说明性实施例的一个新颖的方面是,能够使用从动作感测输入设备收集的画面检测人员处于什么姿势,并且确定对于那个姿势的度量是否应当被采集。当画面被捕获后,说明性实施例使用关联存储器分类以便使画面与预记录活动匹配。如果该分类匹配特定姿势集合中的一个,那么属于那个姿势的度量会被生成。否则,在不生成度量的情况下,可以继续监测,由此节省时间和数据资源。
因此,说明性实施例使用与关联存储器耦合的画面,以识别特定的姿势,并且通过使用预记录的活动对该姿势分类而准确地测量该姿势。说明性实施例不执行数学描述的姿势的直接匹配,而是试图匹配姿势的属性。
换句话说,说明性实施例的新颖的方面是能够解释人的姿势,并且基于之前被用户识别的活动,确定该姿势是否是应当被测量的那个姿势。该项能力可允许量化可能在其他方面难以测量或捕获的活动。
说明性实施例具有其它优点。例如,说明性实施例可以以不引人注目的方式操作,即对于被观察的参与者几乎是不可见的。虽然用户应当被提前告知有观察,但是可感觉到该说明性实施例的操作具有较低侵犯性。在另一个示例中,该说明性实施例利用便宜的硬件和集中的软件。在另一个示例中,说明性实施例是灵活的,因为说明性实施例可以在不被编程的情况下在许多情况中运行。在另一个示例中,说明性实施例中用于测量不同活动的区别特征会根据需求被更新、改变或改善,并且可以是实时的。在另一个示例中,一旦被配置,就不需要人为干涉。说明性实施例可以是完全自动的。
在另一个实施例中,说明性实施例不局限于仅监测人类运动,还可以被应用于其他非人类运动。例如,说明性实施例可以被用于追踪动物运动,或机器人的运动,假设这些运动可以被输入设备检测。
通过改善其分类,说明性实施例具有学习的能力。说明性实施例可以代替监测活动的旧的和更笨重的技术。该说明性实施例主题独立并且可普遍地部署。
说明性实施例使用关联存储器分类,而不是用于完成这些过程的基本许可的核心技术来描述动作感测输入设备的新颖应用。该说明性实施例包括使用关联存储器分类的示例以对观察分类的能力。然而,说明性实施例可以使用任何种类的分类机制来完成,并且不局限于只使用关联存储器。
说明性实施例包括使用动作感测输入设备的接口检测运动的能力。不管动作感测输入设备可以处理什么样的能力,该接口可以改变范围和功能,而且保留了定义运动的坐标的工作。说明性实施例不限制本发明可以监测的活动或姿势的类型。说明性实施例不限制本发明可以收集关于所述活动或姿势的度量的类型。说明性实施例不限制本发明可以监测关于所述活动或所述姿势的人的数量。说明性实施例不限定在监测阶段期间关于间隔周期的时间限制。图1根据说明性实施例图示说明运动检测系统的一个使用。图1中所示的运动检测系统102的使用不必然限制要求保护的发明,而只是示出说明性实施例的一种可能的使用。说明性实施例的其他的使用在下面被描述。
总之,说明性实施例使用运动检测系统102(其也可以被描述为动作感测输入设备)监测一个或多个个体100的活动。以固定的时间间隔,运动检测系统102记录一个或多个个体100在某些姿势下的一个或多个画面,然后将信息馈送关联存储器104内,以便按照之前记录的活动106对该信息分类。说明性实施例使用该信息,以提供关于期望被监测的某些活动的度量。在说明性实施例中,只针对被认为可期望进行监测的仅仅某些活动,获取度量108
更详细地,在图1中说明的示范性使用包括,使用从运动检测系统102收集的数据以追踪一个或多个个体100的运动或测量的姿势。一个或多个个体100可以是在时间期间演示多种姿势的单个个体,或可以是处于多种不同的姿势的多个人员(他们中的每个都被追踪)。
通过使用关联存储器104可以充分理解的语义,测量的姿势被馈送到关联存储器104内。因此,例如,运动检测系统102不可能发送数学的姿势数据到关联存储器104,而是发送相关姿势的定性描述到关联存储器104。在更具体的示例中,运动检测系统102会发送描述人的右膝盖的位置为“略低于臀部”的输入。然后,关联存储器104可以采取这个和其他定性描述,并且把他们与训练数据比较(如下面进一步被描述),以将人分类为跪着。跪着的示例被图1中的人110演示。依次,人112演示站立,而人114演示伸手。在可替换的说明性实施例中,一些其他介入的硬件或软件,或关联存储器本身,可以从运动检测系统102获得数学的姿势或坐标数据,并且把这些数据变换为上述的定性描述符。
为了减少处理和数据存储要求,或仅仅是减少生成的报告量,可以期望仅某些姿势或运动被监测。因此,说明性实施例可以被触发,以获取关于其度量可以被期望的特定姿势或运动的集合的度量108。度量108可以是,例如,人花费在特定姿势上的时间量、在整个工作日过程中人花费在特定姿势上的时间总量、在特定姿势上花费的最长时间、在特定姿势上花费的平均时间、或任何其他可期望的度量。
例如,没有必要限制要求保护的发明,说明性实施例可以被用于确定被检测的运动是否指的是发信息、电话交谈、走路、弯腰、伸展、使用扶手或任何其他特定的身体活动。可能结果的集合可以是“发信息、电话交谈、走路或使用扶手”。可以确定被检测的运动是否指的是该集合中的一个成员。通过使用基于包含了其分类隶属关系是已知的观察或实例的训练数据集的关联存储器,可以做出该确定。也就是说,关联存储器已经被训练,以认识特定的输入数据集合与“发信息”或其他姿势、动作或活动相关。
在说明性实施例中,度量108只被期望用于“跪着”的活动。只要被分类的姿势是“跪着”,那么关于随着时间人的动作的度量108就可以被获取。否则,度量108不被获取。可替换地,可以期望针对三种活动而获取度量108:站立、跪着和伸手,但是不针对其他活动。此外,度量108可以是例如,人花费在特定姿势上的时间量、在整个工作日人花费在特定姿势上的时间总量、在特定姿势上花费的最长时间、在特定姿势上花费的平均时间或任何其他可期望的度量。
转向在实施例中使用的设备,运动检测系统102可以是用于检测对象的姿势相对于其周围环境的变化或周围环境相对于对象的变化的任意装置。在特定示例中,该特定示例不必然限制权利要求,运动检测系统102可以是市场上可买到的产品。运动检测系统102可以通常用于玩儿电子游戏,诸如图3中的举例。然而,运动检测系统102可以是加速计、摄像系统或用于检测一个或多个人或对象在区域内的运动的任意其他合适技术。因此,例如,运动检测系统102可以被用于追踪机器人的姿势。在这种情况下,说明性实施例可以确定机器人的运动是否在设计的参数内。
图2根据说明性实施例,图示说明分类系统的示例。图2的分类图示说明了如在此使用的分类原则,不一定被用于该说明性实施例。也就是说,分类200图示说明了可能被用于实施说明性实施例关于确定何时针对使用者或设备的特定动作、姿势或活动而获取度量(如关于图1描述的)的分类原则。
注意力首先转向术语“分类”是什么意思。如在此使用的,“分类”被定义为通过比较新观察的特性与已知的特性集合而得知新的观察属于哪个对象组的识别能力或识别行为,。如在说明性实施例中使用的,通过训练系统建立已知的特性。如在此使用的,“训练系统”被定义为给系统提供集合的已知成员的特性。换句话说,训练系统就是命令系统关于特定姿势“看起来像”什么,更确切的说,特定姿势的特性是什么。当该系统被训练时,该系统可以快速地比较新观察的特性与已知成员的特性集合,并且然后使新观察等同为集合的已知成员中最接近匹配新观察的特性的一个成员。如在此使用的,“系统”或“说明性实施例”指的是处理器,专用集成电路(ASIC)和/或被用于或可用于实施说明性实施例的其他物理设备,可能包括存储用于实施在此所述的动作捕获和分类系统的程序代码的非暂时计算机可读存储介质。
返回到图2,该图图示说明关于电子邮件系统的分类的示例。在这种情况下,基于某些特征,系统把进来的电子邮件分为保留电子邮件或垃圾电子邮件。因此,分类200在已知成员的集合中具有两个已知的成员。这些已知成员是保留电子邮件202和垃圾电子邮件204。该系统已经通过建立保留电子邮件202的第一特性和垃圾电子邮件204的第二特性被训练。然后该系统被编程以比较新观察(进来的电子邮件)的第三特性与保留电子邮件202的第一特性和垃圾电子邮件204的第二特性。然后,新观察的被分为属于保留电子邮件202或垃圾电子邮件204。
再次,组成每个类别(保留电子邮件202或垃圾电子邮件204)的特性已知。例如,保留电子邮件202通常来自认识的发件人。因此,保留电子邮件202具有如一个特性,即认识的发件人。其他特性也有可能。相反,垃圾电子邮件204通常具有其不是来自认识的发件人的特性。垃圾电子邮件204还经常具有其他特性,诸如,存在为了销售产品或服务而在请求中所使用的词语。根据在新观察的特性和已知成员集合的特性之间的共同匹配的数量,该系统将建立适当的类别以放置进来的电子邮件。
在机械学习的术语中,分类系统被认为是监督式学习的实例;也就是说,学习正确识别的观察的训练集合在什么情况下是可用的。相应的非监督式的程序被称为聚类或聚类分析。聚类分析可以涉及基于某一测量的固有相似性把数据分组到类别中。测量的示例包括示例之间的距离,其被看作在多维向量空间中的向量。
图3是根据说明性实施例的,在使用中的运动检测系统的示例。运动检测系统300可以是图1的运动检测系统102。用户302的运动可以被使用分类系统的该系统,以类似于由图2的分类200显示的方式的方式分类。
如上所述,说明性实施例可以对用户302的运动使用运动检测系统300。动作感测输入设备,诸如图1的运动检测系统102,可以被用作运动检测系统300的一部分,以检测用户302的姿势相对于他或她周围环境304的变化。
通常,动作感测输入设备(诸如运动检测系统300)包括软件,该软件显示被检测运动发生所在的笛卡尔坐标。该显示可以采用火柴人的形式,例如,火柴人306,或可以根本不可视地表现。在其他情况下,说明性实施例可以使用测量的坐标来计算用户302的运动。
为了衡量对象的运动,说明性实施例可以使所有当事人(parties)共享的位置的坐标关联,也就是说,说明性实施例可以比较手的运动与手的运动。如果需要,该测量可以进一步被标准化。例如,说明性实施例可以使用相对静态的身体的部分之间的距离,(例如臀部中心到脊柱)以标准化该测量。
图4、图5和图6都图示说明预记录的活动的示例。预记录的活动被用于训练关联存储器,诸如图1的关联存储器104,以便关联存储器或处理器可以比较未知的输入数据与已知的预记录的活动,从而把未知的输入数据分类为预记录活动中的一个。分类的示例在图2中被示出。输入数据可以来源于动作输入设备,诸如图3的运动检测系统300。
更具体地说,图4根据说明性实施例,图示说明被分类为伸手的预记录的活动的示例。图5根据说明性实施例,图示说明被分类为站立的预记录的活动的示例。图6根据说明性实施例,图示说明被分类为跪着的预记录的活动的示例。
为了提高未知输入数据与预记录活动的匹配的质量,关联存储器可以使用组成感兴趣的给定活动的多个示例被训练。因此,例如,姿势400、姿势402、姿势404和姿势406都是伸手的示例,但是如图4中所示的,所有四个姿势彼此稍微不同。同样地,姿势500、姿势502、姿势504和姿势506都是站立的示例,但是图5中所示的所有四个姿势都彼此稍微不同。同样地,姿势600、姿势602、姿势604、姿势606都是跪着的示例,但是图6中所示的所有四个姿势都稍微彼此不同。注意图6中的情况,跪着的示例是以相对于运动检测系统的不同的角度获取的,以便关联存储器可以从不同角度认识相同姿势。
现在注意力转向,一旦关联存储器已经成功地把未知的输入分类到感兴趣姿势中的一个后(例如图4到图6中所示的那些)发生了什么。说明性实施例的目的是使用运动检测系统或其他动作感测输入设备检测个体是否处于特定的姿势,并且收集关于该姿势的度量。为了实现该特定目的,说明性实施例可以使用关联存储器,以存储预记录的活动列表。每个活动包含用户希望收集其度量的一个姿势或几个姿势。
然后,在监测阶段中,个体的运动可以被关联存储器分类定期地测试,以发现它们是否匹配预记录的活动中任意姿势。如果存在匹配,那么只要被监测的个体维持该特定姿势,说明性实施例就收集关于该姿势的度量。
整个过程涉及几个逻辑步骤。为了清楚起见,接下来的示例将使用监测安装某一设备的个体的示例来描述每一步,其涉及跪着、站立、伸手的姿势。说明性实施例将收集关于这些姿势的度量。对于该示例,收集的度量将是个体保持每个姿势的持续时间。然而,应当注意,该特定示例不必然限制所要求保护的发明或在此描述的其他说明性实施例;如在本文其他地方所述的许多其他示例也是可能的。
在特定的说明性实施例中,第一步是识别用户想要对其收集度量的姿势。这些姿势可以是整体运动或活动中的一部分,诸如“系鞋”或它们可能是如简单的静态姿势,诸如“跪着”。
不论怎样,接下来,第二步,用户将在动作传感器前面演示每个移动,并且分别记录它们。这些记录将成为关联存储器的分类的基础。对于该说明性实施例,其度量将被识别的姿势将会是跪着、站立、伸手。这些姿势的度量将是姿势的持续时间。
记录在第二步中被描述的活动的目的是告诉分类系统,哪个姿势或哪些姿势需要被收集度量。在第二步期间,用户只需要将每个活动演示到特定姿势被捕获的程度。
例如,如果一个人想收集关于某人的伸手的度量,那么这个人可以通过以伸手动作伸展其身体几次以演示如图4中概念化的伸手。例如,用户可以模仿将行李架安装到飞行器的机舱。用户可以为其他的姿势、站立以及跪着(分别如图5和图6中概念化)重复这个过程。
每个活动可以通过使用不同的人而被演示数次并且以不同的角度记录。多个不同的人中的每个人的多个演示将向关联存储器提供每个期望结果的丰富描述。
图7根据说明性实施例,图示说明将活动嵌入到分类系统的示例。图7图示说明上面开始的过程中的第三步,第三步是训练关联存储器。第一步(识别感兴趣的姿势)和第二步(演示姿势的示例以训练关联存储器)参考图4到图6在上面被描述。关联存储器700可以例如,是图1的关联存储器104。分类系统702可以被用于,例如,执行图2的分类200。演示的例如伸手704、站立706和跪着708的输入可以分别是图4、图5和图6中所示的那些姿势。
如同上面所述,在步骤2中描述的预记录活动表示用于训练分类系统的真实数据,该分类系统可以是关联存储器700的分类系统702。每个记录伴随着一个结果,诸如结果710、结果712和结果714,以描述运动的含义。在训练阶段中,关联存储器700关联每个记录的结果与捕获的所有对应姿势,以便对捕获的对应姿势进行分类。如果匹配,则分类系统返回结果。在这种情况下,结果已知为“分类符”。
因为说明性实施例根据一连串运动捕获姿势,所以潜在分类更灵活。这项技术允许在活动期间的任意点发生匹配,以得出个体实际正在做这项活动的结果。因此,说明性实施例把重点放在活动的结构上,而不在于其细节。因此,比跟踪个体的身体部分的精确姿势,该技术使用较少的处理功率。只要训练完成,说明性实施例就把捕获的数据嵌入到关联存储器内,在关联存储器内新观察可以按照收集的数据被分类,以确定特定的结果并且如果必要则收集度量。对于安装示例,分类系统可以使用预记录的跪着、站立和伸手的活动来训练系统。再次说明,该训练是处理过程中的第三步。该完整的集合可以被嵌入到如图7中演示的关联存储器700的分类系统702内。
图8根据说明性实施例,图示说明监测活动的示例。监测表示从上面开始的处理过程中的第四步,其中第一步和第二步参考图4到图6被描述,第三步参考图7被描述。运动检测系统800可以是例如,图3的运动检测系统300。运动检测系统800也可以被称为动作感测输入设备。
在监测的第四步期间,系统定期地收集来自运动检测系统800的信息。该系统可以以单一画面或多重画面收集该信息,这取决于系统怎么设置。单一画面或多重画面提供了动作传感器被查询时动作传感器看见的当前快照。其目的是确定个体是否处于某一姿势,也许是度量可以被收集的预先识别的姿势。
第五步是使用关联存储器分类或某一其他分类系统以识别捕获的姿势。关联存储器通过匹配人员802的未知姿势的特性与之前记录的已知姿势的特性以对人员802的姿势分类。应当注意,人员802不需要是演示训练内的姿势(例如预记录的活动)的同一人。在任何情况下,该系统将据此分类未知的姿势。如果分类系统不能匹配任一预记录活动,那么分类系统将返回空结果,并且相应地没有度量被收集。
图8示出人员802正跪着。运动检测系统800将人员802分类为跪着。因为跪着的时间(感兴趣的度量)在步骤6中度量的收集期间将被记录,人员802花费在跪着上的时间的量将被追踪。这个时间不需要是连续的。例如,任意802可以跪着一段时间,站立一段时间,从而度量不再被记录,再跪着,在这期间跪着花费的时间被记录,达到一段时间后度量不再被记录,然后第三次跪着,这期间跪着花费的时间被记录,因此,图8示出三次不同的时间,在这期间跪着花费的时间的量被记录,分别是时间804、时间806和时间808。
只要被监测个体保持感兴趣的姿势,度量的收集就继续。当没有收集时,方法返回监测阶段(在第三步概述)并且继续直到系统被要求停止。
图9根据说明性实施例,图示说明用于使用关联存储器收集度量的系统的示例。运动检测系统900可以是例如,图1的运动检测系统102或图3的运动检测系统300,或是图8的运动检测系统800。在运动检测系统900中使用的计算机或处理器可以使用图15中的数据处理系统1500被实施。
说明性实施例的一种可能的物理实施例在图9中被图示说明,但是其他物理实施例也有可能。如图所示,运动检测系统900使用被连接到处理器904的动作传感器902,其中处理器904执行用于实施说明性实施例的软件,并且可能包括关联存储器。包含处理器904的计算机可以包括模式指示器906,其用于指示设备是处于训练模式还是监测模式。计算机也可以包括活动指示器908,以指示哪个活动将被训练。
运动检测系统900可以包括可选的电源线910或电池。运动检测系统900也可以包括连接运动检测系统900到网络的可选的网线912或无线设备。在任何情况下,运动检测系统900可以与关联存储器、数据库或用于实施例说明性实施例的任何其他系统通信。然而,在一些说明性实施例中,所使用的所有软件可以被包含在处理器904其自身内部。在其他说明性实施例中,软件可以代替地体现为专用集成电路(ASIC)。
运动检测系统900可以包括其他可选设备或物件。例如,运动检测系统900可以包括可选支架914或被放置在动作传感器902可以方便观察运动的某些地方。运动检测系统900也可以包括屏幕916,或其他输出设备,诸如打印机或其他指示器,以用于报告或显示输出。可选择地,插入式打印机918可以被提供,以打印报告、度量、或其他输出。
最后可选插入式笔记本电脑920、平板电脑、移动电话或其他计算机系统可以被使用以帮助配置或优化运动检测系统900。另外,插入式笔记本电脑920也可以用于按照期望更新软件。处理器904或插入式笔记本电脑920可以被用作用于收集关于人或对象的姿势的度量的系统的一部分。因此,例如,处理器904或插入式笔记本920两者之一可以与被连接到所述设备两者之一的关联存储器一起被用于监测人或对象、对人或对象的姿势分类以及然后收集关于人或对象的特定姿势的度量,如上所述。
换句话说,说明性实施例的一种可能实施例在图9中被图示说明。如图所示,运动检测系统900使用动作传感器902,其中动作传感器902被连接到CPU设备,CPU设备包含对实施说明性实施例有用的软件。CPU设备可以具有用于转换模式的模式指示器906。例如,CPU设备可以被设置为训练或监测。活动指示器908可以允许用户选择预定的活动,以便识别系统正在针对哪个活动训练。例如,这些指示器可以相当于补充列表,其解释哪个活动被捕获。说明性实施例可以包括可选电源线910或电池。说明性实施例也可以包括连接其到网络的可选网线912或无线设备,所以关联存储器、数据库或任何其他系统证书可以被访问。然而,有可能把用于说明性实施例的所有必要的软件配置到CPU设备本身内。
说明性实施例可以包括可选支架914或被放置在其他稳固的地方。说明性实施例可以包括报告输出装置,诸如屏幕906,用于显示其收集的度量的结果。可选插入式笔记本电脑920可以被用于帮助配置、更新或优化说明性实施例。另一选择是包括可选插入式打印机918,以便允许用户现场访问报告或度量的硬拷贝。
图9中的说明性实施例并不意味着暗示了对实施不同说明性实施例可以采用的方式的物理或结构限制。附加于和/或替换所说明组件的其他组件可以被使用。在一些说明性实施例中,一些组件可以是不必要的。同样的,框图被提供以说明一些功能组件。当在不同的说明性实施例中实施时,这些框图中的一个或多个可以被组合和/或分为不同的框图。
图10根据说明性实施例,图示说明实体与作为产生的类别的结果比较的示例。实体比较1000是关联存储器(诸如图1的关联存储器104)怎样按照训练姿势的集合可以对未知的输入分类,如上面参考图4到图9所描述的。
说明性实施例的一种可能实施方式是使用便宜的动作传感器以捕获感兴趣的动作,并且使用结构化查询语言(SQL)数据库记录它们。然后,关联存储器可以被用于按照预记录的活动对动作传感器提供的新观察进行分类。
对于这种实施方式,使用者将设置预定义的数据库,并且嵌入由动作传感器捕获的训练数据。训练数据的结果将因此被贴有与其度量被期望的每个姿势对应的标记。然后使用关联存储器,用户将该数据提取到关联存储器内,用于按照该数据对新观察进行分类。数据的结果将被用作一般的分类符。
一旦被提取,用户就能够使系统周期地从动作传感器捕获运动数据,并且执行对捕获的数据的实体比较,以便类似地定位其他运动。实体比较的产生的类别将被设定为“结果”。因此,新观察将采用与之最等同的运动结果,如图10中所示。因此,例如,属于“伸手”的结果1004的共同属性1002的集合匹配新观察1006的这些属性。分数1008可以是从0到1的范围,并且表示未知输入的属性与已演示的姿势或活动的属性的匹配的接近度。其他分数形式或范围可以用于分数1008。
通常,实体比较的结果是“像”或“相似于”原始或所寻找实体的有序列表。关联存储器收集这些实体中的所有匹配属性,以形成列表。该列表的顺序取决于匹配属性的显著性。另外,其排名或分数与发现的数个属性有关。
为了取得更清楚的结果,系统可以使用作为产生的类别的预定义的结果执行实体比较。存储器可以被预先设置为使每个实体本身与特定结果(如跪着、站立、或伸手)关联。这项技术是使用产生的类别对新观察进行分类的有效方式,在这种情况下,结果作为一般分类符。
说明性实施例可应用于私营企业、政府、或对收集关于员工怎样执行他们的日常任务的度量感兴趣的其他组织。说明性实施例允许大规模制造商不侵犯地收集这种度量。
例如,雇佣工会合同员工或受工会条例管制的任何公司可以利用该说明性实施例。数据在不被打扰的情况下被收集,并且被以识别特定个体在物理上是不可能的方式记录。这些优点允许在个体的视频监控被禁止的工作环境中进行监测和度量收集。
该说明性实施例提供了一种有效的方式以便在进行监测和测量活动困难的区域中监测和测量活动。而且,说明性实施例可以为以任何其他方式都难以测量的姿势提供度量。
说明性实施例提供了收集关于员工保持可能危险的姿势多久的度量的有成本效益的方式,由此帮助避免增加的医疗费用。说明性实施例可以被用于收集安全的度量,公司可以使用所收集的安全的度量来量化尝试测量安全目标时的结果。说明性实施例可以被用在工厂内以便基准测试安全目标并且展示好与坏的姿势的示例。说明性实施例可以用于测量反复性动作受伤的频率,进而希望防止它们。说明性实施例可以用于测量办公大楼内多长时间发生一次错误人体工程学,以希望培训员工。说明性实施例可以提供用其他的方式不可能测量的姿势的度量。这个事实可以被用于监察人员怀疑某些制造任务可能引起伤害的场所。还存在其他优点。
图11是根据说明性实施例的用于识别个体的感兴趣的动作的方法的流程图。方法1100可以由参考图4到图8描述的六个步骤组成的。然而,更多或更少的操作也可以被执行。可以使用图1到图3和图8与图9描述的任一系统实施方法1100。例如,提及的“系统”可以指图9的系统900,但是也可以指用于执行下面描述的操作的其他设备。
方法1100可以开始于系统识别姿势以进行测量(操作1102)。这些姿势可以是人或对象的姿势或活动。然后,系统记录识别的姿势(操作1104)。被识别的姿势可以通过执行随后将被监测的姿势或活动的用户或对象而被记录。方法1100继续通过使用记录的姿势以训练关联存储器分类(操作1106)。可以通过命令关联存储器提取记录的姿势来训练关联存储器。
下一步,系统使用动作感测输入设备或运动检测设备监测人或对象的姿势(操作1108)。这些操作参考图8被描述。然后系统使用关联存储器分类,识别由输入数据表示的人或对象的姿势(操作1110)。该操作也参考图8被描述。如果该姿势是被识别姿势中的一个,那么该姿势的度量被收集(操作1112)。该操作也参考图8被描述。
然后进行确定是否继续监测(操作1114)。如果监测继续,那么方法1100返回操作1108并继续。如果监测不继续,那么该过程可以终止。
图11中示出的说明性实施例并不意味着暗示了对实施不同说明性实施例可以采用的方式的物理或结构限制。附加于和/或替换所说明组件的其他组件可以被使用。在一些说明性实施例中,一些组件可以是不必要的。同样的,框图被提供以说明一些功能组件。当在不同的说明性实施例中实施时,一个或多个这些框图可以被组合和/或分为不同的框图。
图12是根据说明性实施例识别个体感兴趣的动作的方法的另一个流程图。方法1200是方法1100的变体。因此,方法1100可以参考图4到图8被描述为由六个步骤组成。然而,更多或更少的操作也可以被执行。可以使用图1到图3和图8与图9中描述的任意系统实施方法1100。例如,提及的“系统”可以指图9的系统900,但是也可以指用于执行下面描述的操作的其他设备。
方法1200可以被称为用于识别个体的感兴趣的动作的方法。方法1200可以包括在计算机处从动作传感器收集个体的动作的动作传感器输入数据达一时间间隔(操作1202)。下一步,方法1200可以包括使用分析应用程序分析(使用计算机)动作传感器输入数据,分析应用程序具有感兴趣的已分类的预定的动作的集合,其中分析应用程序基于共享的相对属性把所述时间间隔期间捕获的运动分类为相当于感兴趣的多个预定动作中的一个的动作(操作1204)。下一步,方法1200可以包括生成向监测系统提供感兴趣的已识别的预定动作的通知的输出(操作1206)。之后该过程可以终止。
然而,方法1200可以被改变,并且可以包括更多或更少的操作。例如,方法1200可以进一步包括当感兴趣的已识别的预定动作超出预定的阈值时,生成警报输出的系统。方法1200可以进一步包括,响应于接收到通知,收集关于感兴趣的动作的度量。方法1200可以进一步包括,响应于接收到通知,收集关于个体的额外的运动的度量。
图12中示出的说明性实施例并不意味着暗示了对实施不同说明性实施例可以采用的方式的物理或结构限制。附加于和/或替换所说明组件的其他组件可以被使用。在一些说明性实施例中,一些组件可以是不必要的。同样的,框图被提供以说明一些功能组件。当在不同的说明性实施例实施时,一个或多个这些框图可以被组合和/或分为不同的框图。
图13是根据说明性实施例的用于识别个体的感兴趣的动作的装置。装置1300可以是图9的系统900的变体。装置1300可以被称为用于识别个体的感兴趣的动作的装置。装置1300可以包括动作传感器1302。动作传感器1302可以是非侵入性的。装置1300也可以包括与动作传感器通信的计算机1304,计算机1304被配置为从动作传感器1302收集关于个体的动作的动作传感器数据达一时间间隔。计算机1304可以是例如,图15的数据处理系统1500。
装置1300也可以包括非暂时计算机可读存储器介质1306,其存储具有感兴趣的已分类的预定动作的集合的分析应用程序1308。分析应用程序1308可以进一步被配置,使得当被计算机1304执行时,分析应用程序1308基于共享的相对属性把所述时间间隔期间捕获的个体的运动分类为相当于感兴趣的多个预定动作中的一个的动作。分析应用程序1308可以进一步被配置,当被执行时,以生成向监测系统提供感兴趣的已识别的预定动作的通知的输出。
装置1300可以被改变,例如,处理器可以进一步被配置为当感兴趣的已识别的预定动作超出预定的阈值时生成警告输出。计算机1304可以进一步被配置,响应于接收到通知,收集关于感兴趣的动作的度量。计算机1304可以进一步被配置,响应于接收到通知,收集个体的额外的运动的度量。
图13中示出的说明性实施例并不意味着暗示了对实施不同说明性实施例可以采用的方式的物理或结构限制。附加于和/或替换所说明组件的其他组件可以被使用。在一些说明性实施例中,一些组件可以是不必要的。同样的,框图被提供以说明一些功能组件。当在不同的说明性实施例中实施时,一个或多个这些框图可以被组合和/或分为不同的框图。
图14是根据说明性实施例的用于当特定的动作匹配多个预定的动作的子集中的一个时,通知监测系统的系统。系统1400可以是图9的系统900和图14的系统1400的变体。
系统1400可以包括运动测量设备1402,运动测量设备1402具有被配置为检测部分对象1406的多个物理姿势的一个或多个传感器1404。系统1400也可以包括与运动测量设备1402通信的关联存储器1408。关联存储器1408可以包括多个数据和多个数据之中的多个关联。多个数据被收集到关联的群组内。关联存储器被配置为基于多个数据之中的至少间接关系而被查询。
系统1400可以进一步包括处理器1410。处理器1410可以与关联存储器1408和运动测量设备1402通信。处理器1410可以被配置为从运动测量设备1402接收对象的动作输入数据,结合关联存储器1408比较动作输入数据与被储存在关联存储器1408内的多个预定动作,把动作输入数据分类为从多个预定动作中选择的特定动作,以及当特定的动作匹配多个预定动作的子集中的一个时,通知监测系统1412。监测系统1412可以被配置为监测预定动作的度量。
例如,处理器1401可以进一步被配置为,当特定动作匹配多个预定动作的子集中的一个时,引起监测系统1412测量对象的额外动作。监测系统1412可以被配置为监测对象花费在预定姿势上的时间量。
在另一个说明性实施例中,结合关联存储器1408的处理器1410可以被配置为输出对象的额外动作的评估。在说明性实施例中,子集可以基于用户选择的标准。
在说明性实施例中,对象可以是人。在说明性实施例中,子集可以是人的至少一个不可取身体姿势。在说明性实施例中,额外的动作可以是在某一时间间隔期间人的所有动作。在说明性实施例中,额外的动作可以只是在某一时间间隔期间子集内的那些动作。
在说明性实施例中,监测系统1412可以监测人的个别身体部分的动作。在说明性实施例中,处理器1410可以被进一步配置为当人的动作不再在子集内时,通知监测系统1412。
在说明性实施例中,处理器1410可以进一步配置为命令监测系统1412当人的动作在子集之外时,停止监测该人。在说明性实施例中,关联存储器1408可以被配置为被训练,以包括多个预定动作内的额外的预定动作并且以包括多个预定动作的子集中的其他动作。
其他替换也有可能。因此,图14中示出的说明性实施例并不意味着暗示了对实施不同说明性实施例可以采用的方式的物理或结构限制。附加于和/或替换所说明组件的其他组件可以被使用。在一些说明性实施例中,一些组件可以是不必要的。同样的,框图被提供以说明一些功能组件。当在不同的说明性实施例中实施时,一个或多个这些框图可以被组合和/或分为不同的框图。
现转向图15,根据说明性实施例的数据处理系统的图示说明被描述。图15中的数据处理系统1500是数据处理系统的示例,其可以被用于实施说明性实施例,诸如图1的运动检测系统102、操作1204或图9的可选插入式笔记本电脑920、图13的计算机1304、图14的处理器1410、图15的计算机可读介质1520或本文公开的任何其他模块或系统或过程。在该说明性实施例中,数据处理系统1500包括通信构造1502,其提供处理器单元1504、存储器1506、永久储存器1508、通信单元1510、输入/输出(I/O)单元1512以及显示器1514之间的通信。
处理器单元1504用来执行可以装载到存储器1506内的软件的指令。软件可以是本文中其他位置描述的任一关联存储器,或用于实施本文中其他位置描述的过程的软件。因此,例如,装载到存储器1506内的软件可以是用于执行图11的方法1100、图12的方法1200的软件,或用于实施上文参考图4到图8描述的六个步骤的软件。处理器单元1504可以是多个处理器、多处理器核心或一些其他类型的处理器,这取决于特定的实施方式。如在此参考物品所使用的多个,意思是一个或多个物品。而且,可以使用多个异构处理器系统实施处理器单元1504,其中异构处理器系统的主处理器表现为单晶片上的二级处理器。作为另一个说明性实施例,处理单元1504可以是包含相同类型的多个处理器的对称多处理器系统。
存储器1506和永久储存器1508是储存设备1516的示例。储存设备是能够储存信息,(例如不限制于,数据、功能形式的程序代码和/或临时基础(basis)和/或永久基础(basis)上的其他合适信息)的任一硬件。储存设备1516也可以在这些示例中被称为计算机可读储存设备。存储器1506,在这些示例中可以是例如,随机存取存储器或任何其他适合的易失性或非易失性储存设备。永久储存器1508可以基于特定的实施方式而采取各种形式。例如,永久储存器1508可以包含一个或多个组件或设备。例如,永久储存器1508可以是硬盘驱动器、闪存存储器、可再写光盘、可再写磁带或上述的一些组合。永久储存器1508使用的介质也可以是可移动的。例如,可移动硬盘驱动器可以被用于永久储存器1508。
在这些示例中的通信单元1510,提供了与其他数据处理系统或设备的通信。在这些示例中,通信单元1510是网络接口卡。通信单元1510可以通过使用物理或无线的通信链路中的一种或两种来提供通信。
输入/输出(I/O)单元1512允许用可以被连接到数据处理系统1500的其他设备输入和输出数据。例如,输入/输出(I/O)单元1512可以通过键盘、鼠标和/或一些其他适合的输入设备为用户输入提供连接。而且,输入/输出(I/O)单元1512可以将输出发送到打印机。显示器1514提供显示信息给用户的机制。
用于操作系统的指令、应用程序和/或程序可以被装载到储存设备1516内,储存设备通过通信构造1502与处理器单元1504通信。在这些说明性实施例中,指令是以函数的形式存储在永久储存器1508中。这些指令可以被加载到存储器1506中以便处理器单元1504执行。不同的实施例的过程可以通过使用计算机实施的指令由处理器单元1504执行,计算机实施的指令可以位于存储器内,诸如存储器1506。
这些指令被称为程序代码、计算机可使用程序代码或可以被处理器单元1504中的处理器读取并且执行的计算机可读程序代码。在不同实施例中的程序代码可以体现在不同的物理或计算机可读储存介质上,诸如存储器1506或永久储存器1508。
程序代码1518以函数的形式被位于计算机可读介质1520上,计算机可读介质1520是选择性地可移动的并且可被加载到或转移到数据处理系统1500,以便处理器单元1504执行。在这些示例中程序代码1518和计算机可读介质1520形成计算机程序产品1522。在一个示例中,计算机可读介质1520可以是计算机可读储存介质1524或计算机可读信号介质1526。计算机可读储存介质1524可以包括,例如,被插入或放置到驱动器内或永久储存器1508的部分的其他设备(诸如硬盘驱动器,是永久储存器1508的一部分)内以便转移到储存设备上的光盘或磁盘。计算机可读储存器介质1524也可以采取永久储存器的形式,诸如硬盘驱动器、拇指驱动器或闪存存储器,其可以被连接到数据处理系统1500。在一些实例中,计算机可读储存介质1524不可以从数据处理系统1500移除。
可替换地,使用计算机可读信号介质1526,程序代码1518可以被转移到数据处理系统1500。计算机可读信号介质1526可以是例如,包含程序代码1518的传播的数据信号。例如,计算机可读信号介质1526可以是电磁信号、光信号和/或任意其他适合类型的信号。这些信号可以在通信链路上被传递,诸如无线通信链路、光纤电缆、同轴电缆、导线和/或任意其他适合类型的通信链路。也就是说,通信链路和/或连接在说明性实施例中可以是物理或无线的。
在一些说明性实施例中,程序代码1518可以通过计算机可读信号介质1526从其他设备或数据处理系统经由网络而被下载到永久储存器1508,用于在数据处理系统1500内的使用。例如,储存在服务器数据处理系统内的计算机可读储存器介质内的程序代码可以经由网络从服务器下载到数据处理系统1500。提供程序代码1518的数据处理系统可以是服务器计算机、客户计算机或能够储存并且传递程序代码1518的一些其他设备。
图示说明的用于数据处理系统1500的不同组件不意味着提供了对实施不同的实施例可以采用的方式的结构限制。在数据处理系统内被实施包括附加于或替换图示说明的用于数据处理系统1500的所述组件的组件。图15中示出的其他组件可以与所示的说明性示例不同。可以使用能够运行程序代码的任何硬件设备或系统来实施不同的实施例。作为一个示例,数据处理系统可以包括与无机组件集成的有机组件,和/或完全由排除人类的有机组件组成。例如,储存设备可以由有机半导体组成。
在另一个说明性示例中,处理器单元1504可以采取硬件单元的形式,所述硬件单元具有被制造或配置用于特定用途的电路。这种类型的硬件可以执行操作,而不需要将被配置为执行操作的程序代码从储存其设备装载到存储器内。
例如,当处理器单元1504采取硬件单元的形式,处理器单元1504可以是电路系统、专用集成电路(ASIC)、可编程逻辑器件或被配置为执行多个操作的一些其他适合类型的硬件。使用可编程逻辑器件,该器件被配置为执行多个操作。该器件可以在后来的时间被重新配置,或可以被永久地配置为执行多个操作。可编程逻辑器件的示例包括例如,可编程逻辑阵列、可编程阵列逻辑、现场可编程逻辑阵列、现场可编程门阵列和其他适合的硬件设备。借助这种类型的实施方式,程序代码1518可以被省略,因为用于不同的实施例的过程在硬件单元中被实施。
在另一个说明性示例中,可以使用在计算机内发现的处理器和硬件单元的组合来实施处理器单元1504。处理器单元1504可以具有多个硬件单元和被配置运行程序代码1518的多个处理器。在这个描述的示例,可以在多个硬件单元中实施一些过程,同时,可以在多个处理器中实施其他的过程。
在另一个示例中,在数据处理系统1500中的储存器设备是可以储存数据的任何硬件装置。存储器1506、永久储存器1508和计算机可读介质1520是有形形式的储存器设备的示例。在另一个示例中,总线系统可以被用于实施通信构造1502,并且可以由一个或多个总线组成,诸如系统总线或输入/输出总线。当然,可以使用提供了被附连到总线系统上的不同组件或设备之间数据转移的任何适合类型的体系结构来实施总线系统。另外,通信单元可以包括被用于传递和接收数据的一个或多个设备,诸如调制解调器或网络适配器。而且,存储器可以是,例如,存储器1506或是高速缓存器,诸如在接口和可以存在于通信构造1502内的存储器控制集线器内发现的存储器。
数据处理系统1500也可以包括关联存储器1528。关联存储器1528可以是图1的关联存储器104、图1的关联存储器700、图3的分析应用程序1308、图14的关联存储器1408或本文中其他位置描述的其他关联存储器,并且可以具有本文其他位置描述的性能。关联存储器1528可以与通信构造1502通信。关联存储器1528也可以与储存器设备1516通信,或在一些说明性实施例中被认为是储存器设备1516的一部分。虽然显示了一个关联存储器1528,但是也可以存在额外的关联存储器。
如在此描述的,术语“关联存储器”指的是多个数据和多个数据中的多个关联。多个数据和多个关联可以被储存在非暂时计算机可读储存器介质中。多个数据可以是被收集到关联的群组内。关联存储器可以被配置基于多个数据中的至少间接关系和多个数据中的相关性而被查询。因此,关联存储器可以被配置唯一地基于直接关系、唯一地基于至少间接关系和基于直接和至少间接关系的组合而被查询。关联存储器可以是内容可寻址存储器。
因此,关联存储器可以被称为多个数据和多个数据中的多个关联。多个数据可以被收集到关联的群组内。而且,关联存储器可以被配置为,基于至少一种关系被查询,这种关系选自包括直接关系和至少间接关系的组,或选自多个数据和多个数据中的直接相关性。关联存储器也可以采取软件的形式。因此,关联存储器也可被认为是过程,通过该过程,信息被收集到关联的群组以便基于关系而不是直接相关性获得新的理解。关联存储器也可以采取硬件的形式,诸如专门的处理器或现场可编程门阵列。
如本文所使用,术语“实体”指的是具有明显的、单独的存在的对象,虽然这种存在不需要是物质上的存在。因此,抽象概念和法律概念可以被认为是实体。如本文所使用,实体不需要是有生命的。关联存储器与实体一起工作。
不同的说明性实施例可以采取形式有:整体硬件实施例、整体软件实施例或包含硬件和软件元素的实施例。一些实施例被用软件实施,其包括但不限于,例如固件、常驻软件和微代码的形式。
而且,不同的实施例可以采取计算机程序产品的形式,计算机程序产品可存取在计算机可用或计算机可读介质上,其中计算机可用或计算机可读介质提供由计算机或可执行指令的任何设备或系统使用的或与计算机或可执行指令的任何设备或系统有关的程序代码。为了本公开的目的,计算机可用或计算机可读介质通常是任意有形的装置,其可以包含、储存、通信、传播或传送由指令执行系统、装置或设备使用的或与指令执行系统、装置或设备有关的程序。
计算机可用或计算机可读介质可以是,例如且不限于,(电的、磁的、光的、电磁的、红外的或半导体的系统,或传播介质。计算机可读介质的非限制性示例包括半导体存储器或固态存储器、磁带、可移动计算机软盘、随机存取存储器(RAM)、只读存储器(ROM)、刚性磁盘和光盘。光盘可以包括压缩磁盘只读存储器(CD-ROM)、压缩磁盘读/写(CD-R/W)和DVD。
而且,计算机可用或计算机可读介质可以包含或储存计算机可读或计算机可用程序代码,以便当计算机可读或计算机可用程序代码在计算机上被执行时,该计算机可读或计算机可用程序代码的执行引起计算机在通信链路上传递其他计算机可读或计算机可用程序代码。这个通信链路可以使用物理或无线(例如且不限于)介质。
适用于储存和/或执行计算机可读或计算机可用程序代码的数据处理系统通常会包括通过通信构造(诸如系统总线)而被直接或间接地耦合到存储器元件的一个或多个处理器。存储器元件包括在程序代码、大容量存储器和高速缓存器的实际执行期间被运用的局部存储器,其中高速缓存器提供至少一些计算机可读或计算机可用程序代码的临时储存,以减少在代码的执行期间从大容量存储器检索代码的次数。
输入/输出或I/O设备可被直接地或通过中间I/O控制器耦合到系统。这些设备可用包括例如且不限制于,键盘、触摸显示屏和定点设备。不同的通信适配器也可用被耦合到系统,以能够使数据处理系统通过中间的私人或公用网络而被耦合到其他的数据处理系统或远程答应机或储存设备。调制解调器和网络适配器的非限制性示例只是几个当前可用类型的通信适配器。
不同的说明性实施例的描述被提供以用于说明和描述的目的,并且不意图穷举或限制所公开形式的实施例。许多修改和变化对本领域的普通技术人员是显而易见的。而且,与其他说明性实施例相比较,不同的说明性实施例可以提供不同的特征。选择的一个或更多个实施例被选择和描述以便充分解释实施例的原理及实际应用,并使本领域的其他普通技术人员能够理解具有各种修改的各种实施例的公开也适于预期的特定用途。
Claims (11)
1.一种用于在安装设备时监测个体的方法(1200),包括:
通过动作感测输入设备监测安装设备的个体,其涉及跪着、站立或伸手的姿势,其中所述动作感测输入设备包括动作传感器;
在计算机(1304)处,从所述动作传感器(1302)收集所述个体的动作的动作传感器输入数据达一时间间隔,用于确定所述个体的姿势的定性描述,其中所述动作传感器放置在它能够远程观察所述个体的运动的位置;
使用所述计算机(1304),使用具有感兴趣的已分类的预定动作的集合的分析应用程序(1308)分析所述动作传感器输入数据,以使用关联存储器分类将所述个体的姿势分类和识别为至少站立、伸手或跪着之一,其中所述分析应用程序(1308)进一步基于共享的相对属性将在所述时间间隔期间捕获的运动分类为相应于感兴趣的多个预定动作中的一个的动作;
生成向监测系统(1412)提供感兴趣的已识别的预定动作的通知的输出;以及
响应于接收到所述通知,收集关于所述感兴趣的动作的度量(108),所述度量包括所述个体在所述感兴趣的动作期间保持危险的姿势的持续时间,其中所述危险的姿势是如果重复或错误地进行能够对所述个体造成伤害的姿势。
2.根据权利要求1所述的方法(1200),进一步包括:
当感兴趣的已识别的预定动作超出预定的阈值时,生成警报输出。
3.根据权利要求1所述的方法(1200),进一步包括:
响应于接收到所述通知,收集关于所述个体的额外的运动的度量(108)。
4.一种用于识别感兴趣的动作的装置(1300),包括:
具有动作传感器(1302)的动作感测输入设备,所述动作传感器放置在它能够远程观察个体的运动的位置,其中所述动作传感器被配置为在个体正在安装设备时监测所述个体,其涉及跪着、站立或伸手的姿势;
与所述动作传感器(1302)通信的计算机(1304),所述计算机(1304)被配置为从所述动作传感器(1302)收集关于所述个体的动作的动作传感器数据达一时间间隔,用于确定所述个体的姿势的多个定性描述;和
非暂时计算机可读储存器介质(1306),其储存具有感兴趣的已分类的预定动作的集合的分析应用程序(1308),所述分析应用程序(1308)进一步被配置,以便当被所述计算机(1304)执行时,所述分析应用程序(1308)被配置为分析所述动作传感器数据以使用关联存储器分类将所述个体的姿势分类和识别为至少站立、伸手或跪着之一,并且基于共享的相对属性将在所述时间间隔期间捕获的所述个体的运动分类为相应于感兴趣的多个预定动作中的一个的动作,并且其中所述分析应用程序(1308)被进一步配置为,当被执行时,生成向监测系统(1412)提供感兴趣的已识别的预定动作的通知的输出,所述分析应用程序被进一步配置为响应于接收到所述通知,收集关于所述感兴趣的动作的度量(108),所述度量包括所述个体在所述感兴趣的动作期间保持危险的姿势的持续时间,其中所述危险的姿势是如果重复或错误地进行能够对所述个体造成伤害的姿势。
5.根据权利要求4所述的装置(1300),其中所述计算机(1304)被进一步配置为响应于接收到所述通知而收集关于所述个体的额外运动的度量(108)。
6.根据权利要求4所述的装置(1300),进一步包括:
关联存储器(1408),其包括多个数据和所述多个数据中的多个关联,其中所述多个数据被收集到关联的群组内,其中所述关联存储器(1408)被配置为基于所述多个数据中的至少间接关系而被查询;和
其中所述计算机包括处理器(1410),所述处理器被配置为接收动作输入数据并且结合所述关联存储器(1408),比较所述动作输入数据与被储存在所述关联存储器(1408)内的多个预定的动作,将所述动作输入数据分类为从所述多个预定动作中选择的特定动作,以及当所述特定动作匹配所述多个预定动作的子集中的一个时,通知监测系统(1412)。
7.根据权利要求6所述的装置(1300),其中所述处理器(1410)被进一步配置为,当感兴趣的已识别的预定动作超出预定的阈值时,生成警报输出。
8.根据权利要求6所述的装置(1300),其中所述子集包括所述个体的至少一个不可取的身体姿势。
9.根据权利要求6所述的装置(1300),其中所述动作包括所述个体在一时间间隔期间的所有动作。
10.根据权利要求6所述的装置(1300),其中所述动作仅包括在一时间间隔期间在所述子集中的那些动作。
11.根据权利要求6所述的装置(1300),其中所述装置(1300)监测所述个体的个体身体部位的动作。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/478,475 US9619039B2 (en) | 2014-09-05 | 2014-09-05 | Obtaining metrics for a position using frames classified by an associative memory |
US14/478,475 | 2014-09-05 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105404849A CN105404849A (zh) | 2016-03-16 |
CN105404849B true CN105404849B (zh) | 2021-02-05 |
Family
ID=53879327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510550117.1A Active CN105404849B (zh) | 2014-09-05 | 2015-09-01 | 使用关联存储器分类的画面以获得姿势的度量 |
Country Status (6)
Country | Link |
---|---|
US (1) | US9619039B2 (zh) |
EP (1) | EP3001281B1 (zh) |
JP (1) | JP6591232B2 (zh) |
KR (1) | KR102252164B1 (zh) |
CN (1) | CN105404849B (zh) |
RU (1) | RU2687707C2 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10161954B2 (en) | 2016-01-22 | 2018-12-25 | Htc Corporation | Motion detecting device and detecting method for repetitive motion |
JP2020500385A (ja) * | 2016-10-20 | 2020-01-09 | ロボ−チーム ホーム リミテッド | 人間追跡ロボット |
US11521326B2 (en) | 2018-05-23 | 2022-12-06 | Prove Labs, Inc. | Systems and methods for monitoring and evaluating body movement |
WO2022079795A1 (ja) * | 2020-10-13 | 2022-04-21 | 日本電気株式会社 | 画像選択装置、画像選択方法、及びプログラム |
US20230368419A1 (en) * | 2020-10-13 | 2023-11-16 | Nec Corporation | Image selection apparatus, image selection method, and non-transitory computer-readable medium |
KR102369151B1 (ko) * | 2021-10-05 | 2022-03-02 | 아이픽셀 주식회사 | 동작 인식을 위한 메타 데이터 생성 시스템 및 생성 방법 |
WO2023084778A1 (ja) * | 2021-11-15 | 2023-05-19 | 日本電気株式会社 | 画像処理装置、画像処理方法、およびプログラム |
JPWO2023084780A1 (zh) * | 2021-11-15 | 2023-05-19 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103827891A (zh) * | 2011-07-28 | 2014-05-28 | Arb实验室公司 | 使用全球生成的多维姿势数据检测身体运动的系统和方法 |
Family Cites Families (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4144564A (en) | 1977-04-19 | 1979-03-13 | Semionics Associates | Associative memory |
US4149262A (en) | 1977-04-19 | 1979-04-10 | Semionics Associates | Associative memory device with variable recognition criteria |
US5014327A (en) | 1987-06-15 | 1991-05-07 | Digital Equipment Corporation | Parallel associative memory having improved selection and decision mechanisms for recognizing and sorting relevant patterns |
RU2280894C2 (ru) * | 2001-07-18 | 2006-07-27 | Зао Интел | Распознавание жестов в динамике для последовательности стереокадров |
JP4189298B2 (ja) | 2003-10-31 | 2008-12-03 | 農工大ティー・エル・オー株式会社 | 乳児運動解析システム |
JP4642338B2 (ja) | 2003-11-04 | 2011-03-02 | 株式会社タニタ | 体動測定装置 |
NZ533460A (en) * | 2004-06-10 | 2006-10-27 | Movement Metrics Ltd | Biomechanical monitoring apparatus with motion detectors and accumulation means to indicate time period where threshold activity is exceeded |
JP2005004787A (ja) * | 2004-07-26 | 2005-01-06 | Toshiba Corp | 行動計測装置、電子的装置及び記録媒体 |
GB2426851B (en) * | 2005-05-28 | 2007-07-18 | Martin Charles Adams | An occupant monitoring system for homes or offices |
US7733224B2 (en) * | 2006-06-30 | 2010-06-08 | Bao Tran | Mesh network personal emergency response appliance |
US7827000B2 (en) * | 2006-03-03 | 2010-11-02 | Garmin Switzerland Gmbh | Method and apparatus for estimating a motion parameter |
JP2007272488A (ja) * | 2006-03-31 | 2007-10-18 | Yokogawa Electric Corp | 画像処理装置、監視カメラ及び画像監視システム |
KR100934225B1 (ko) * | 2007-09-21 | 2009-12-29 | 한국전자통신연구원 | 일상생활 행위 인식을 위한 주체자의 행위 분류 보정 장치및 방법, 이를 이용한 일상생활 행위 인식 시스템 |
US8160981B2 (en) * | 2007-09-25 | 2012-04-17 | Saffron Technology, Inc. | Event-based anticipation systems, methods and computer program products for associative memories wherein times of future events occurring are predicted |
US8996332B2 (en) * | 2008-06-24 | 2015-03-31 | Dp Technologies, Inc. | Program setting adjustments based on activity identification |
US9060714B2 (en) | 2008-12-04 | 2015-06-23 | The Regents Of The University Of California | System for detection of body motion |
US8560267B2 (en) * | 2009-09-15 | 2013-10-15 | Imetrikus, Inc. | Identifying one or more activities of an animate or inanimate object |
US20100217533A1 (en) * | 2009-02-23 | 2010-08-26 | Laburnum Networks, Inc. | Identifying a Type of Motion of an Object |
JP5855019B2 (ja) * | 2010-02-12 | 2016-02-09 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 周期的な生理学的信号を処理する方法及び装置 |
US20110275042A1 (en) * | 2010-02-22 | 2011-11-10 | Warman David J | Human-motion-training system |
US20110246123A1 (en) | 2010-03-30 | 2011-10-06 | Welch Allyn, Inc. | Personal status monitoring |
US20110245688A1 (en) * | 2010-03-31 | 2011-10-06 | General Electric Company | System and method of performing electrocardiography with motion detection |
US9143843B2 (en) * | 2010-12-09 | 2015-09-22 | Sealed Air Corporation | Automated monitoring and control of safety in a production area |
WO2011163367A1 (en) | 2010-06-22 | 2011-12-29 | Mcgregor Stephen J | Method of monitoring human body movement |
US8903521B2 (en) * | 2010-08-26 | 2014-12-02 | Blast Motion Inc. | Motion capture element |
US8761437B2 (en) * | 2011-02-18 | 2014-06-24 | Microsoft Corporation | Motion recognition |
US20130178960A1 (en) * | 2012-01-10 | 2013-07-11 | University Of Washington Through Its Center For Commercialization | Systems and methods for remote monitoring of exercise performance metrics |
US9448636B2 (en) * | 2012-04-18 | 2016-09-20 | Arb Labs Inc. | Identifying gestures using gesture data compressed by PCA, principal joint variable analysis, and compressed feature matrices |
US8914604B2 (en) * | 2012-06-12 | 2014-12-16 | The Boeing Company | Creating optimal comparison criterion within associative memories |
EP2703932A1 (en) * | 2012-08-28 | 2014-03-05 | SimpliFlow GmbH | Personal communication device for managing individual fitness training |
US9564042B2 (en) * | 2013-06-13 | 2017-02-07 | Motorola Solutions, Inc. | Communication system with improved safety feature |
US9576192B2 (en) * | 2014-03-12 | 2017-02-21 | Yamaha Corporation | Method and apparatus for notifying motion |
US9298269B2 (en) * | 2014-04-10 | 2016-03-29 | The Boeing Company | Identifying movements using a motion sensing device coupled with an associative memory |
US9911031B2 (en) | 2014-09-05 | 2018-03-06 | The Boeing Company | Obtaining metrics for a position using frames classified by an associative memory |
-
2014
- 2014-09-05 US US14/478,475 patent/US9619039B2/en active Active
-
2015
- 2015-07-31 EP EP15179309.8A patent/EP3001281B1/en active Active
- 2015-08-03 RU RU2015132214A patent/RU2687707C2/ru active
- 2015-08-18 JP JP2015161128A patent/JP6591232B2/ja active Active
- 2015-09-01 CN CN201510550117.1A patent/CN105404849B/zh active Active
- 2015-09-01 KR KR1020150123476A patent/KR102252164B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103827891A (zh) * | 2011-07-28 | 2014-05-28 | Arb实验室公司 | 使用全球生成的多维姿势数据检测身体运动的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2016058078A (ja) | 2016-04-21 |
JP6591232B2 (ja) | 2019-10-16 |
EP3001281A1 (en) | 2016-03-30 |
KR102252164B1 (ko) | 2021-05-14 |
RU2015132214A3 (zh) | 2018-11-28 |
US20160070355A1 (en) | 2016-03-10 |
EP3001281B1 (en) | 2020-12-09 |
US9619039B2 (en) | 2017-04-11 |
RU2015132214A (ru) | 2017-02-08 |
RU2687707C2 (ru) | 2019-05-15 |
CN105404849A (zh) | 2016-03-16 |
KR20160029674A (ko) | 2016-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105404849B (zh) | 使用关联存储器分类的画面以获得姿势的度量 | |
US10058076B2 (en) | Method of monitoring infectious disease, system using the same, and recording medium for performing the same | |
US9928423B2 (en) | Efficient retrieval of anomalous events with priority learning | |
US11295139B2 (en) | Human presence detection in edge devices | |
Cucchiara et al. | Probabilistic posture classification for human-behavior analysis | |
JPWO2016147770A1 (ja) | 監視システム及び監視方法 | |
US20220116569A1 (en) | Smart video surveillance system using a neural network engine | |
CN104977038B (zh) | 使用与关联存储器耦合的运动感测设备识别移动 | |
US20210216914A1 (en) | Information processing device, information processing method, and information processing program | |
Choi et al. | Human behavioral pattern analysis-based anomaly detection system in residential space | |
JP2018142137A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
KR101340287B1 (ko) | 스마트 홈에서 마이닝 기반의 패턴 분석을 이용한 침입탐지 시스템 | |
CN112347834B (zh) | 基于人员类别属性的远程看护方法、设备及可读存储介质 | |
Haller et al. | Human activity recognition based on multiple kinects | |
de Campos | A survey on computer vision tools for action recognition, crowd surveillance and suspect retrieval | |
Dayangac et al. | Object recognition for human behavior analysis | |
Zhao et al. | Octree segmentation based calling gesture recognition for elderly care robot | |
Rafferty et al. | NFC based dataset annotation within a behavioral alerting platform | |
Nikolaev | Multi-label Human activity recognition on image using deep learning | |
Spehr et al. | Recognition of human behavior patterns using depth information and gaussian feature maps | |
Manohar et al. | A privacy preserving data mining methodology for dynamically predicting emerging human threats | |
CN114883010A (zh) | 牲畜存亡状态判别方法、装置、存储介质及终端设备 | |
Yao et al. | Recognition of complex human behaviours using 3d imaging for intelligent surveillance applications | |
Philips et al. | Mohamed Eldib, Francis Deboeverie |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |