CN107180235A - 基于Kinect的人体动作识别算法 - Google Patents

基于Kinect的人体动作识别算法 Download PDF

Info

Publication number
CN107180235A
CN107180235A CN201710404314.1A CN201710404314A CN107180235A CN 107180235 A CN107180235 A CN 107180235A CN 201710404314 A CN201710404314 A CN 201710404314A CN 107180235 A CN107180235 A CN 107180235A
Authority
CN
China
Prior art keywords
mrow
msub
kinect
human
artis
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.)
Pending
Application number
CN201710404314.1A
Other languages
English (en)
Inventor
李颀
强华
候金良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi University of Science and Technology
Original Assignee
Shaanxi University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi University of Science and Technology filed Critical Shaanxi University of Science and Technology
Priority to CN201710404314.1A priority Critical patent/CN107180235A/zh
Publication of CN107180235A publication Critical patent/CN107180235A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

基于Kinect的人体动作识别算法，首先，读取kinect传来的人体骨骼数据，获取人体20个关节点的三维图像坐标并将其转化为世界坐标，其次，对人体20个关节点的世界坐标进行滤波，然后对滤波后的关节点坐标进行特征提取，得到关节点坐标向量所成的角度特征，最后，制作人体标准动作模板并输入到TXT文本中，然后根据当前采集的角度特征与标准动作模板进行匹配，实现对人体动作的识别，能够实现对人体动作的识别，降低人体动作识算法的复杂度，提高动作的识别率和识别速度，具有识别快速、准确、算法简单的特点。

Description

基于Kinect的人体动作识别算法
技术领域
本发明涉及人体动作识别技术领域，特别涉及一种基于Kinect的人体动作识别算法。
背景技术
已知的人机交互体验包括声音交互、脑电波交互、人体肢体姿态交互、手势交互等。人体动作识别的研究在计算机视觉、人工智能等领域都具有重要意义，而人体动作识别面临的主要问题是动作的多变性和时空的复杂性。随着动作数量的增加，误识别问题也会凸显。目前，可通过穿戴式传感器，如陀螺仪、加速度传感器等，采集人体运动参数对人体动作进行识别，这种方法准确性、实时性高，但附着传感器使穿戴者舒适感降低。在基于计算机视觉的方法中，当前的研究主要是基于2D视觉的动作识别，而系统受到计算机图像处理能力的极大制约，特别是实时图像处理，会受到光照、遮蔽、阴影等因素的制约，对最终的识别结果造成影响。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于Kinect的人体动作识别算法，能够实现对人体动作的识别，降低人体动作识算法的复杂度，提高动作的识别率和识别速度，具有识别快速、准确、算法简单的特点。
为了达到上述目的，本发明采取的技术方案为：
基于Kinect的人体动作识别算法，步骤如下：
首先，通过Kinect骨架追踪技术，采用基于Java的Processing开发环境来读取kinect传来的人体骨骼数据，获取人体20个关节点的三维图像坐标并将其转化为世界坐标；
其次，采用加权递推平均滤波算法对人体20个关节点的世界坐标进行滤波，去除世界坐标的波动，然后对滤波后的关节点坐标进行特征提取，得到关节点坐标向量所成的角度特征；
最后，制作人体标准动作模板并输入到TXT文本中，然后根据当前采集的角度特征与标准动作模板进行匹配实现对人体动作的识别。
所述人体20个关节点具体为：头部、颈部、脊柱、左肩、左肘、左手腕、左手、臀部、左臀部、左膝盖、左脚腕、左脚、右肩、右肘、右手腕、右手、右臀部、右膝盖、右脚腕、右脚。
所述将三维图像坐标换算为世界坐标的具体步骤为：
根据如下变换公式将三维图像坐标(ximage，yimage，zimage)转化为世界坐标(xworld，yworld，zworld)：
其中，Kinect的分辨率W×H为640×480；h＝3.5×10-4rad，K＝12.36cm，L＝1.18rad，O＝3.7cm，D′＝-10，F＝0.0021。
所述进行特征提取以得到关节点坐标向量所成的角度特征的具体操作步骤为：
先由三维世界坐标计算出某一个关节点与两个相邻关节点之间的向量，分别用Vi、Vj表示，然后根据三维向量角度计算公式计算角度特征，Vi与Vj之间的夹角θi-j可以表示为：
则角度θi-j就是当前某一个关节点的角度特征，依次对整个人体关节点的角度特征进行提取。
所述关节点之间的向量具体为：上半身需要计算九个向量，分别是：头部到颈部、颈部到脊柱、左肩到颈部、左肘到左肩、左腕到左肘、左手到左腕、右肩到颈部、右肘到右肩、右腕到右肘、右手到右腕的向量；下半身需要计算六个向量，分别是：臀部到左膝部、左膝部到左脚踝、左脚踝到左脚、臀部到右膝部、右膝部到右脚踝、右脚踝到右脚的向量。
本发明与现有技术相比的有益效果为：
本发明利用Kinect的骨骼追踪技术来获取操受试者关键点三维坐标，提取出人体的关节向量，并与事先保存在TXT文本中的标准模板进行模板匹配，实现对人体动作的识别，可降低人体动作识算法的复杂度，提高动作的识别率和识别速度。本发明基于Kinect的人体动作识别算法不受kinect相机位置、光照、识别者的影响，识别率较高且识别快速，在相同实验条件下测得算法的平均识别率为95.2％，平均识别时间为32.5ms。基于Kinect的动作识别算法可以作为模式识别和人工智能的基础，对人体动作识别具有重要意义。
附图说明
图1为本发明人体动作识别算法的流程图。
图2为本发明Kinect追踪人体关节点的示意图。
具体实施方式
下面结合实施例对本发明做进一步详细说明。
本发明的算法流程如附图1所示，具体实施步骤如下：
Step1、利用Kinect骨架追踪技术，在坐标输出之前追踪人体的20个关节点，形成一副人体骨架系统，通过每个像素中的关节点与kinect标准的骨架系统相比较，可以准确地确定人体的关节部位。通过基于Java的Processing开发环境来读取人体关节点的数据。
图2为Kinect实时追踪的人体的20个关键点的示意图。由图2可知，这20个关节点覆盖了整个人体，可以完成对人体动作的识别。
Step 2、通过Kinect的骨骼追踪技术获取的坐标为深度图像坐标，而人体动作识别要在世界坐标中进行，所以首先要将图像坐标换算为世界坐标。图像坐标(ximage，yimage，zimage)到世界坐标(xworld，yworld，zworld)的变换公式如下：
其中，Kinect的分辨率W×H为640×480；h＝3.5×10-4rad，K＝12.36cm，L＝1.18rad，O＝3.7cm，D′＝-10，F＝0.0021。
利用以上公式就得到了人体20个关键点的世界三维坐标，是特征提取和模板匹配的基础。
Step 3、通过Kinect的骨骼追踪技术获取的坐标为深度图像坐标，由于Kinect每秒钟获取30帧图像，也就是关节点的坐标每秒刷新30次，再加上人身体的抖动，所以Kinect骨骼追踪技术采集到的关节点坐标会有波动，首先采用加权递推平均滤波算法对坐标进行滤波，去除坐标的波动，公式为：
其中Wi为权系数，yi和yk为滤波前和滤波后的关节点坐标，且将每十个数据作为一组，将一秒数据分为三组进行滤波处理，也就是一秒钟可得到三组滤波后的关节点三维坐标。
Step 4、在滤波基础上计算角度特征，先由三维坐标计算出关键点之间的向量。将上下半身的向量分开计算，上半身需要计算九个向量，分别是：头部到颈部、颈部到脊柱、左肩到颈部、左肘到左肩、左腕到左肘、左手到左腕的向量，右肩到颈部、右肘到右肩、右腕到右肘、右手到右腕的向量。下半身需要计算六个向量，分别是：臀部到左膝部、左膝部到左脚踝、左脚踝到左脚的向量，臀部到右膝部、右膝部到右脚踝、右脚踝到右脚的向量。
利用这些人体关节向量来提取角度特征，例如我们利用肩部坐标与肘部坐标相减得到向量Vi，用肘部坐标减去腕部坐标得到向量Vj，然后根据三维向量角度计算公式计算角度特征。Vi与Vj之间的夹角θi-j可以表示为：
那么角度θi-j就是当前人体肘部的角度特征。根据以上公式，对整个人体的角度进行提取，上半身提取七个角度特征，下半身提取六个角度特征。抽取出的角度特征是一个相对的特征鲁棒性好，只与关键点相对位置有关，与光照、背景变化、操作者以及操作者的位置无关。
Step 5、确定标准动作模板，对10名受试者(5男5女)进行数据采集。Kinect设备水平放置，距离地面48cm。背景是一面白墙，测试者面对着Kinect设备，全身处在视野范围内，距离其240cm的位置，按顺序做动作。对测试者每个动作进行采集，然后进行上述的滤波和特征提取，对不同测试者的相同动作特征分别取平均值，得到标准的人体动作各个关节的角度特征，最后确定动作模板和匹配阈值。
Step 6、进行模板匹配，首先提取出当前动作的特征向量，分为上半身和下半身。判断上半身特征是否变化，如果变化就匹配上半身模板。然后判断下半身特征是否变化，如果变化就匹配下半身模板。最终将两个结果结合，得到识别结果。如果两个特征都没有变化，则确定动作是站立。模板匹配采用相似度函数来度量两个特征向量的相似度，得到匹配的百分比。若匹配百分比大于85％，则认为当前动作就是模板的动作。

Claims (5)

1.基于Kinect的人体动作识别算法，其特征在于，包括如下步骤：
首先，通过Kinect骨架追踪技术，采用基于Java的Processing开发环境来读取kinect传来的人体骨骼数据，获取人体20个关节点的三维图像坐标并将其转化为世界坐标；
其次，采用加权递推平均滤波算法对人体20个关节点的世界坐标进行滤波，去除世界坐标的波动，然后对滤波后的关节点坐标进行特征提取，得到关节点坐标向量所成的角度特征；
最后，制作人体标准动作模板并输入到TXT文本中，然后根据当前采集的角度特征与标准动作模板进行匹配实现对人体动作的识别。
2.根据权利要求1所述的基于Kinect的人体动作识别算法，其特征在于，所述人体20个关节点具体为：头部、颈部、脊柱、左肩、左肘、左手腕、左手、臀部、左臀部、左膝盖、左脚腕、左脚、右肩、右肘、右手腕、右手、右臀部、右膝盖、右脚腕、右脚。
3.根据权利要求1所述的基于Kinect的人体动作识别算法，其特征在于，所述将三维图像坐标换算为世界坐标的具体步骤为：
根据如下变换公式将三维图像坐标(ximage，yimage，zimage)转化为世界坐标(xworld，yworld，zworld)：
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mrow> <mi>w</mi> <mi>o</mi> <mi>r</mi> <mi>l</mi> <mi>d</mi> </mrow> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>m</mi> <mi>a</mi> <mi>g</mi> <mi>e</mi> </mrow> </msub> <mo>-</mo> <mfrac> <mi>w</mi> <mn>2</mn> </mfrac> </mrow> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mrow> <msub> <mi>z</mi> <mrow> <mi>w</mi> <mi>o</mi> <mi>r</mi> <mi>l</mi> <mi>d</mi> </mrow> </msub> <mo>+</mo> <msup> <mi>D</mi> <mo>&amp;prime;</mo> </msup> </mrow> <mo>)</mo> </mrow> <mi>F</mi> <mfrac> <mi>w</mi> <mi>h</mi> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>y</mi> <mrow> <mi>w</mi> <mi>o</mi> <mi>r</mi> <mi>l</mi> <mi>d</mi> </mrow> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>m</mi> <mi>a</mi> <mi>g</mi> <mi>e</mi> </mrow> </msub> <mo>-</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> </mrow> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mrow> <msub> <mi>z</mi> <mrow> <mi>w</mi> <mi>o</mi> <mi>r</mi> <mi>l</mi> <mi>d</mi> </mrow> </msub> <mo>+</mo> <msup> <mi>D</mi> <mo>&amp;prime;</mo> </msup> </mrow> <mo>)</mo> </mrow> <mi>F</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>z</mi> <mrow> <mi>w</mi> <mi>o</mi> <mi>r</mi> <mi>l</mi> <mi>d</mi> </mrow> </msub> <mo>=</mo> <mi>K</mi> <mi>tan</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>Hz</mi> <mrow> <mi>i</mi> <mi>m</mi> <mi>a</mi> <mi>g</mi> <mi>e</mi> </mrow> </msub> <mo>+</mo> <mi>L</mi> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mi>O</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中，Kinect的分辨率W×H为640×480；h＝3.5×10-4rad，K＝12.36cm，L＝1.18rad，O＝3.7cm，D′＝-10，F＝0.0021。
4.根据权利要求1所述的基于Kinect的人体动作识别算法，其特征在于，所述进行特征提取以得到关节点坐标向量所成的角度特征的具体操作步骤为：
先由三维世界坐标计算出某一个关节点与两个相邻关节点之间的向量，分别用Vi、Vj表示，然后根据三维向量角度计算公式计算角度特征，Vi与Vj之间的夹角θi-j可以表示为：
则角度θi-j就是当前某一个关节点的角度特征，依次计算整个人体关节点之间的向量，对关节点的角度特征进行提取。
5.根据权利要求4所述的基于Kinect的人体动作识别算法，其特征在于，所述关节点之间的向量具体为：上半身需要计算九个向量，分别是：头部到颈部、颈部到脊柱、左肩到颈部、左肘到左肩、左腕到左肘、左手到左腕、右肩到颈部、右肘到右肩、右腕到右肘、右手到右腕的向量；下半身需要计算六个向量，分别是：臀部到左膝部、左膝部到左脚踝、左脚踝到左脚、臀部到右膝部、右膝部到右脚踝、右脚踝到右脚的向量。
CN201710404314.1A 2017-06-01 2017-06-01 基于Kinect的人体动作识别算法 Pending CN107180235A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710404314.1A CN107180235A (zh) 2017-06-01 2017-06-01 基于Kinect的人体动作识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710404314.1A CN107180235A (zh) 2017-06-01 2017-06-01 基于Kinect的人体动作识别算法

Publications (1)

Publication Number Publication Date
CN107180235A true CN107180235A (zh) 2017-09-19

Family

ID=59836007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710404314.1A Pending CN107180235A (zh) 2017-06-01 2017-06-01 基于Kinect的人体动作识别算法

Country Status (1)

Country Link
CN (1) CN107180235A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832708A (zh) * 2017-11-09 2018-03-23 云丁网络技术(北京)有限公司 一种人体动作识别方法及装置
CN108536297A (zh) * 2018-03-29 2018-09-14 北京微播视界科技有限公司 用于多人的人机交互应用程序的实现方法和装置
CN108734788A (zh) * 2018-05-17 2018-11-02 成都明镜视觉科技有限公司 一种3d对象在虚拟场景中的节点化组织方法
CN109064487A (zh) * 2018-07-02 2018-12-21 中北大学 一种基于Kinect骨骼节点位置追踪的人体姿势比较方法
CN109086706A (zh) * 2018-07-24 2018-12-25 西北工业大学 应用于人机协作中的基于分割人体模型的动作识别方法
CN109117893A (zh) * 2018-08-28 2019-01-01 华中师范大学 一种基于人体姿态的动作识别方法及装置
CN109344694A (zh) * 2018-08-13 2019-02-15 西安理工大学 一种基于三维人体骨架的人体基本动作实时识别方法
CN109599162A (zh) * 2018-11-15 2019-04-09 东南大学 一种孤独症谱系障碍儿童合作能力干预系统及方法
CN110298221A (zh) * 2018-03-23 2019-10-01 上海形趣信息科技有限公司 自助健身方法、系统、电子设备、存储介质
CN110298220A (zh) * 2018-03-23 2019-10-01 上海形趣信息科技有限公司 动作视频直播方法、系统、电子设备、存储介质
CN110320911A (zh) * 2019-07-01 2019-10-11 百度在线网络技术（北京）有限公司 无人车控制方法、装置、无人车及存储介质
CN110490143A (zh) * 2019-08-21 2019-11-22 西安工程大学 一种自适应模式的动作识别方法
CN110688921A (zh) * 2019-09-17 2020-01-14 东南大学 一种基于人体动作识别技术的驾驶员抽烟行为检测方法
CN110852135A (zh) * 2018-08-20 2020-02-28 吉林大学 一种拆卸动作识别方法
CN110969114A (zh) * 2019-11-28 2020-04-07 四川省骨科医院 一种人体动作功能检测系统、检测方法及检测仪
CN111437583A (zh) * 2020-04-10 2020-07-24 哈尔滨工业大学 一种基于Kinect的羽毛球基本动作辅助训练系统
CN112464847A (zh) * 2020-12-07 2021-03-09 北京邮电大学 视频中人体动作切分方法及装置
CN112704491A (zh) * 2020-12-28 2021-04-27 华南理工大学 基于姿态传感器和动捕模板数据的下肢步态预测方法
CN116403285A (zh) * 2023-04-20 2023-07-07 北京百度网讯科技有限公司 动作识别方法、装置、电子设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103246891A (zh) * 2013-05-28 2013-08-14 重庆邮电大学 一种基于Kinect的中国手语识别方法
CN103529944A (zh) * 2013-10-17 2014-01-22 合肥金诺数码科技股份有限公司 一种基于Kinect的人体动作识别方法
CN105184325A (zh) * 2015-09-23 2015-12-23 歌尔声学股份有限公司 一种人体动作识别方法和移动智能终端
CN105930767A (zh) * 2016-04-06 2016-09-07 南京华捷艾米软件科技有限公司 一种基于人体骨架的动作识别方法
CN106022213A (zh) * 2016-05-04 2016-10-12 北方工业大学 一种基于三维骨骼信息的人体动作识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103246891A (zh) * 2013-05-28 2013-08-14 重庆邮电大学 一种基于Kinect的中国手语识别方法
CN103529944A (zh) * 2013-10-17 2014-01-22 合肥金诺数码科技股份有限公司 一种基于Kinect的人体动作识别方法
CN105184325A (zh) * 2015-09-23 2015-12-23 歌尔声学股份有限公司 一种人体动作识别方法和移动智能终端
CN105930767A (zh) * 2016-04-06 2016-09-07 南京华捷艾米软件科技有限公司 一种基于人体骨架的动作识别方法
CN106022213A (zh) * 2016-05-04 2016-10-12 北方工业大学 一种基于三维骨骼信息的人体动作识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
党宏社 等: "基于Kinect的家庭助理机器人系统设计与实现", 《电子技术应用》 *
辛义忠 等: "基于Ｋinect的人体动作识别方法", 《计算机工程与设计》 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832708A (zh) * 2017-11-09 2018-03-23 云丁网络技术(北京)有限公司 一种人体动作识别方法及装置
CN110298221B (zh) * 2018-03-23 2022-02-11 上海史贝斯健身管理有限公司 自助健身方法、系统、电子设备、存储介质
CN110298221A (zh) * 2018-03-23 2019-10-01 上海形趣信息科技有限公司 自助健身方法、系统、电子设备、存储介质
CN110298220B (zh) * 2018-03-23 2021-11-09 上海史贝斯健身管理有限公司 动作视频直播方法、系统、电子设备、存储介质
CN110298220A (zh) * 2018-03-23 2019-10-01 上海形趣信息科技有限公司 动作视频直播方法、系统、电子设备、存储介质
CN108536297A (zh) * 2018-03-29 2018-09-14 北京微播视界科技有限公司 用于多人的人机交互应用程序的实现方法和装置
CN108734788A (zh) * 2018-05-17 2018-11-02 成都明镜视觉科技有限公司 一种3d对象在虚拟场景中的节点化组织方法
CN109064487A (zh) * 2018-07-02 2018-12-21 中北大学 一种基于Kinect骨骼节点位置追踪的人体姿势比较方法
CN109064487B (zh) * 2018-07-02 2021-08-06 中北大学 一种基于Kinect骨骼节点位置追踪的人体姿势比较方法
CN109086706A (zh) * 2018-07-24 2018-12-25 西北工业大学 应用于人机协作中的基于分割人体模型的动作识别方法
CN109086706B (zh) * 2018-07-24 2021-06-15 西北工业大学 应用于人机协作中的基于分割人体模型的动作识别方法
CN109344694B (zh) * 2018-08-13 2022-03-22 西安理工大学 一种基于三维人体骨架的人体基本动作实时识别方法
CN109344694A (zh) * 2018-08-13 2019-02-15 西安理工大学 一种基于三维人体骨架的人体基本动作实时识别方法
CN110852135B (zh) * 2018-08-20 2022-04-12 吉林大学 一种拆卸动作识别方法
CN110852135A (zh) * 2018-08-20 2020-02-28 吉林大学 一种拆卸动作识别方法
CN109117893A (zh) * 2018-08-28 2019-01-01 华中师范大学 一种基于人体姿态的动作识别方法及装置
CN109599162A (zh) * 2018-11-15 2019-04-09 东南大学 一种孤独症谱系障碍儿童合作能力干预系统及方法
CN110320911A (zh) * 2019-07-01 2019-10-11 百度在线网络技术（北京）有限公司 无人车控制方法、装置、无人车及存储介质
CN110490143A (zh) * 2019-08-21 2019-11-22 西安工程大学 一种自适应模式的动作识别方法
CN110688921A (zh) * 2019-09-17 2020-01-14 东南大学 一种基于人体动作识别技术的驾驶员抽烟行为检测方法
CN110969114A (zh) * 2019-11-28 2020-04-07 四川省骨科医院 一种人体动作功能检测系统、检测方法及检测仪
CN110969114B (zh) * 2019-11-28 2023-06-09 四川省骨科医院 一种人体动作功能检测系统、检测方法及检测仪
CN111437583B (zh) * 2020-04-10 2021-06-29 哈尔滨工业大学 一种基于Kinect的羽毛球基本动作辅助训练系统
CN111437583A (zh) * 2020-04-10 2020-07-24 哈尔滨工业大学 一种基于Kinect的羽毛球基本动作辅助训练系统
CN112464847A (zh) * 2020-12-07 2021-03-09 北京邮电大学 视频中人体动作切分方法及装置
CN112704491A (zh) * 2020-12-28 2021-04-27 华南理工大学 基于姿态传感器和动捕模板数据的下肢步态预测方法
CN112704491B (zh) * 2020-12-28 2022-01-28 华南理工大学 基于姿态传感器和动捕模板数据的下肢步态预测方法
CN116403285A (zh) * 2023-04-20 2023-07-07 北京百度网讯科技有限公司 动作识别方法、装置、电子设备以及存储介质

Similar Documents

Publication Publication Date Title
CN107180235A (zh) 基于Kinect的人体动作识别算法
CN106022213B (zh) 一种基于三维骨骼信息的人体动作识别方法
CN106250867B (zh) 一种基于深度数据的人体骨骼跟踪系统的实现方法
CN108597578B (zh) 一种基于二维骨架序列的人体运动评估方法
CN104598867B (zh) 一种人体动作自动评估方法及舞蹈评分系统
CN101558996B (zh) 基于人体运动结构正投影三维重建的步态识别方法
CN102697508B (zh) 采用单目视觉的三维重建来进行步态识别的方法
CN104036488B (zh) 一种基于双目视觉的人体姿态动作研究方法
CN111144217A (zh) 一种基于人体三维关节点检测的动作评价方法
CN109299659A (zh) 一种基于rgb相机和深度学习的人体姿态识别方法与系统
CN107115653A (zh) 调整泳姿的装置、泳姿信息处理系统、泳姿信息处理方法
CN107174255A (zh) 基于Kinect体感技术的三维步态信息采集与分析方法
CN105832343B (zh) 多维视觉手功能康复定量评估系统和评估方法
US9117138B2 (en) Method and apparatus for object positioning by using depth images
CN109344694B (zh) 一种基于三维人体骨架的人体基本动作实时识别方法
CN105740779A (zh) 人脸活体检测的方法和装置
CN108334827B (zh) 一种基于智能鞋的步态身份认证方法及智能鞋
CN110008913A (zh) 基于姿态估计与视点机制融合的行人再识别方法
CN104408718A (zh) 一种基于双目视觉测量的步态数据处理方法
CN106529399A (zh) 人体信息采集方法、装置及系统
Atallah et al. Detecting walking gait impairment with an ear-worn sensor
CN109766796A (zh) 一种面向密集人群的深度行人检测方法
CN113663312A (zh) 一种基于微惯性的无器械健身动作质量评估方法
CN111144174A (zh) 利用神经网络与传统算法识别视频中老人跌倒行为的系统
CN206473763U (zh) 一种调整泳姿的穿戴设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170919

WD01 Invention patent application deemed withdrawn after publication