CN107480651A - 异常步态检测方法及异常步态检测系统 - Google Patents
异常步态检测方法及异常步态检测系统 Download PDFInfo
- Publication number
- CN107480651A CN107480651A CN201710743555.9A CN201710743555A CN107480651A CN 107480651 A CN107480651 A CN 107480651A CN 201710743555 A CN201710743555 A CN 201710743555A CN 107480651 A CN107480651 A CN 107480651A
- Authority
- CN
- China
- Prior art keywords
- gait
- information
- abnormal
- measured
- characteristic portion
- 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
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
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于视频的异常步态检测方法及异常步态检测系统,所述异常步态检测方法包括:获取包含有待测步态信息的视频,提取所述待测步态信息中表示人体步态的特征部位的信息;根据提取的所述特征部位的信息,利用第一神经网络判断所述待测步态信息中的步态是否为异常步态。能够基于视频利用神经网络判断所述待测步态信息是否属于异常步态,提高了异常步态的检测效率,节约了医疗资源。
Description
技术领域
本发明涉及生物识别领域,特别涉及一种异常步态检测方法及一种异常步态检测系统。
背景技术
本部分旨在为权利要求书中陈述的本发明的具体实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
传统方法对异常步态判别主要是依靠专业的医护人员以及专业的医疗设备对患者进行现场或者视频的判断。这种依靠医生直接观察的方法,浪费了大量的医疗资源。特别是在当今社会就医人数多、医疗资源紧缺的情况下,极大降低了病患就医的效率。
发明内容
有鉴于此,本发明提供一种高效的基于视频的异常步态检测方法及异常步态检测系统。
一种基于视频的异常步态检测方法,包括:
获取包含有待测步态信息的视频一组图像;
提取所述待测步态信息中表示人体步态的特征部位的信息;
根据提取的所述特征部位的信息,利用第一神经网络判断所述待测步态信息中的步态是否为异常步态。
进一步地,所述待测步态信息至少包括人体下半身步态信息;所述特征部位包括腰部、左右膝盖部及左右脚踝。
进一步地,步骤“提取所述待测步态信息中表示人体步态的特征部位的信息”包括:
训练第二神经网络来识别所述特征部位;
获取所述视频中包含的若干图像中识别到的特征部位对应的坐标;
根据所述特征部位对应的坐标,标定第一关键点;
在每一幅图像中标定的第一关键点上进行连线,得到多个第一步态轮廓。
进一步地,步骤“根据提取的所述特征部位的信息,利用第一神经网络判断所述待测步态信息中的步态是否为异常步态”包括:
利用大量的异常步态和正常步态的样本,对搭建的第一神经网络进行训练;
根据每幅图像中所述特征部位对应的坐标及所述第一步态轮廓,与多幅图像中所述坐标的随时序的变化关系及所述第一步态轮廓之间随时序的变化关系,利用训练好的第一神经网络判断所述待测步态信息是否属于异常步态;
若所述待测步态信息属于异常步态,则计算所述待测步态信息与第一异常步态集中的若干预设异常步态的相似度。
进一步地,在步骤“根据提取的所述特征部位的信息,利用第一神经网络判断所述待测步态信息中的步态是否为异常步态”之后,还包括:
获取与若干预设异常步态分别对应的视频中多幅连续图像中的特征部位坐标及第二步态轮廓;
根据所述特征部位坐标及所述第二步态轮廓计算得到若干预设异常步态分别对应的几何特征;
将所述待测步态信息及与其具有相似度的预设异常步态的几何特征按照相似度由高到低依次进行匹配;
若所述待测步态信息与一预设异常步态的几何特征匹配成功,则认为所述第一神经网络判断正确,待测步态信息的检测结果为异常步态。
一种异常步态检测系统,包括:
信息采集模块,用于采集包含有待测步态信息的视频;
提取模块,用于提取所述待测步态信息中表示人体步态的特征部位的信息;
判断模块,包括第一神经网络,所述第一神经网络根据提取的所述特征部位的信息,判断所述待测步态信息中的步态是否为异常步态。
进一步地,所述待测步态信息至少包括人体下半身步态的信息;
所述特征部位包括腰部、左右膝盖部及左右脚踝。
进一步地,所述提取模块包括用于识别所述特征部位的第二神经网络,所述第二神经网络在所述视频中包含的若干图像中获取识别到的特征部位对应的坐标,根据所述坐标标定第一关键点,在每一幅图像中标定的第一关键点上进行连线,得到多个第一步态轮廓。
进一步地,所述判断模块根据每幅图像中所述特征部位对应的坐标与所述第一步态轮廓,所述若干图像中坐标的变化关系及第一步态轮廓之间的变化关系,判断所述待测步态信息是否属于异常步态;
若所述待测步态信息属于异常步态,则计算所述待测步态信息与第一异常步态集中的若干预设异常步态的相似度。
进一步地,所述异常步态检测系统还包括验证模块,所述验证模块将包括所述待测步态信息的若干图像中的特征部位对应的坐标与第一步态轮廓及与其具有相似度的预设异常步态的几何特征按照相似度由高到低依次进行匹配,若所述待测步态信息与一预设异常步态的几何特征匹配成功,则认为所述判断模块判断正确,待测步态信息的检测结果为异常步态。
本发明提供的一种高效的异常步态检测方法及异常步态检测系统,能够基于图像利用神经网络判断所述待测步态信息是否属于异常步态,提高了异常步态的检测效率,节约了医疗资源。
附图说明
图1为本发明第一实施例提供的一种基于图像的异常步态检测方法的流程图。
图2为被拍摄者与拍摄装置的位置关系示意图。
图3为如图1所示的异常步态检测方法中步骤S3的详细步骤流程图。
图4为如图1所示的一种异常步态检测方法中步骤S5的详细步骤流程图。
图5为本发明第二实施例提供的一种基于图像的异常步态检测系统的功能模块图。
主要元件符号说明
异常步态检测系统 | 100 |
信息采集模块 | 110 |
预处理模块 | 120 |
提取模块 | 130 |
判断模块 | 140 |
验证模块 | 150 |
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
需要说明的是,在本发明中,当一个组件被认为是与另一个组件“相连”时,它可以是与另一个组件直接相连,也可以是通过居中组件与另一个组件间接相连。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本发明实施例提供一种基于视频的异常步态检测方法,请参阅图1,为本发明实施例提供异常步态检测方法的流程图,所述方法包括:
S1:获取包含有待测步态信息的视频。
所述视频为单个行人的视频,方便目标准确定位。所述视频包括完整的步态信息,可以是整个人体,也可以是包括腰部、腿部、脚部的下半身步态的视频,即所述视频包括包括人体下半身步态信息,即完整的腰、左右膝盖及左右脚踝的特征部位信息。可以理解的是,在其他实施例中,可以获取包括有待测步态信息的连续图像序列,所述连续的图像序列可以用于分析被拍摄者的步态。
请参阅图2,为被拍摄者与拍摄装置的位置关系示意图。在拍摄所述视频时要求被拍摄者近似平行或者垂直于拍摄装置的拍摄方向进行,实现被拍摄者处于整个图像画面的主体位置。具体地,可以使用摄像机、手机等拍摄装置来录制视频。
请再次参阅图1,所述异常步态检测方法还包括:
S2:对所述待测步态信息进行预处理。
所述预处理主要对所述待测步态信息进行归一化处理,以生成不同分辨率的图像。
具体地,由于视频信息容量大,采用间隔固定帧数的方法,从所述视频中抽取若干图像,为了提高检测的准确率,对抽取后的图像进行归一化处理,可将所述图像统一处理为指定分辨率,或将其处理为灰度图像,以加快系统的处理速度。
S3:提取所述待测步态信息中表示人体步态的特征部位的信息。
请参阅图3,为如图1所示的异常步态检测方法中步骤S3的详细步骤流程图。
S31:训练第二神经网络来识别所述特征部位。
搭建所述第二神经网络,采用深度学习的方法,利用姿态检测数据库的样本数据进行训练,所述样本数据为包括待测步态信息的视频,使得所述第二神经网络能够在所述视频的若干图像中对人体的特征部位进行定位。所述特征部位为腰、左右膝盖及左右脚踝。
所述第二神经网络在预处理之后的图像中识别所述特征部位,以提高所述第二神经网络的处理速度。
S32:获取所述视频中包含的若干图像中识别到的特征部位对应的坐标。
所述第二神经网络在经过预处理之后的若干图像中获取并存储识别到的特征部位对应的坐标。
S33:根据所述特征部位对应的坐标,标定第一关键点。
不同特征部位使用不同的颜色标定所述第一关键点,相同特征部位采用相同颜色标定所述第一关键点。
S34:在每一幅图像中标定的第一关键点上进行连线,得到第一步态轮廓。
所述第二神经网络还存储所述第一步态轮廓中的连线得到的几何特征。
请进一步参阅图1,所述异常步态检测方法还包括:
S4:根据提取的所述特征部位的信息,利用第一神经网络判断所述待测步态信息中的步态是否为异常步态;
若所述待测步态信息属于异常步态,则计算所述待测步态信息与第一异常步态集中的若干预设异常步态的相似度。
S41:利用大量的异常步态和正常步态样本,对搭建的第一神经网络进行训练;
所述第一神经网络采用深度学习的方法进行训练,训练好的第一神经网络能够判断所述待测步态信息是否属于异常步态。
S42:根据每幅图像中的所述特征部位对应的坐标及所述第一步态轮廓,与多幅图像中所述坐标的随时序的变化关系及所述第一步态轮廓之间随时序的变化关系,利用训练好的第一神经网络判断所述待测步态信息是否属于异常步态;
若所述待测步态信息属于异常步态,则计算所述待测步态信息与第一异常步态集中的若干预设异常步态的相似度。
具体地,所述第一神经网络根据每幅图像中所述第一关键点的坐标及所述第一步态轮廓中的连线角度,及多幅图像中所述坐标的随时序的变化关系及所述第一步态轮廓之间随时序的变化关系,首先判断所述待测步态信息是否属于异常步态;
所述第一异常步态集包括若干预设异常步态,比如,所述第一异常步态级包括k个预设异常步态,分别为:异常步态1、异常步态2……异常步态k。若所述待测步态信息属于异常步态,则计算所述待测步态信息与第一异常步态集中的若干预设异常步态的相似度。
所述第一神经网络输出所述待测步态信息的判断结果,即正常步态或异常步态,同时还输出与所述待测步态信息相似度较高的若干预设异常步态及其对应的相似度。比如,所述第一神经网络可以输出三个与所述待测步态信息相似度较高的预设异常步态,并将所述预设异常步态按照相似度由大到小输出。
请再次参阅图1,所述异常步态检测方法还包括:
S5:对所述待测步态信息的判断结果进行验证。
请参阅图4,为如图1所示的一种异常步态检测方法中步骤S5的详细步骤流程图。具体地,步骤S5包括:
S51:获取与若干预设异常步态分别对应的视频中多幅连续图像中的特征部位坐标及第二步态轮廓。
根据预设数据库中大量的若干预设异常步态的样本,利用所述第二神经网络获得每一预设异常步态的步态信息的特征部位坐标及第一关键点,将每幅图像中的所述第一关键点进行连线得到所述第二步态轮廓,将所述特征部位坐标及所述多个第二步态轮廓的连线角度进行记录。
S52:根据第二步态轮廓计算得到若干预设异常步态分别对应的几何特征。
在人体运动的过程中,肢体角度和关键部位的位置在不停变化,根据不同预设异常步态,归纳出其几何上的特殊关系,所述几何特征具体包括多幅图像中的所述特征部位坐标的随时序的变化关系以及腿部连线处角度的随时序的变化关系。所述几何特征包括一幅图像中的所述坐标与所述第二步态轮廓几何特征,及随时序变化的多幅图像中所述坐标与所述第二步态轮廓几何特征的变化特点。
S53:将所述待测步态信息及与其具有相似度的预设异常步态的几何特征按照相似度由高到低依次进行匹配;
若所述待测步态信息与一预设异常步态的几何特征匹配成功,则认为所述第一神经网络判断正确,待测步态信息的检测结果为异常步态,并判定所述待测步态信息属于匹配成功的预设异常步态;
若所述待测步态信息与任意一个异常步态的几何特征匹配均未成功,则认为所述第一神经网络判断不正确。
具体地,几何算法主要是采用所述预设异常步态的特殊的几何特征,主要是连线角度的变化,例如X型腿部外翻,在行走过程中会明显表现为膝盖关节点收缩在内部,而腰部和脚踝处关节点扩散在外部,典型的X的形状。利用这种几何特征就可以进行异常步态判断的验证。其他的预设异常步态同样有各自的几何特征。这种几何特征也反映在随着视频时序的变化过程中。
本发明实施例提供的基于视频的异常步态检测方法,通过获取包含有待测步态信息的视频,经过预处理,提取所述第一关键点,获得所述第一步态轮廓,判断所述待测步态信息是否属于异常步态,最后对所述异常步态的判断结果进行验证,进一步地,还能判断所述待测步态信息属于何种预设异常步态,操作简单方便,实现基于视频的异常步态检测,提高了异常步态的判断效率,节约了医疗资源。
请参阅图5,为本发明第二实施例提供的一种基于视频的异常步态检测系统100的功能模块图。所述异常步态检测系统100,包括:信息采集模块110、预处理模块120、提取模块130、判断模块140及验证模块150。
其中,所述信息采集模块110用于采集包含有待测步态信息的视频;所述预处理模块120用于对所述待测步态信息进行预处理,主要是对所述待测步态信息进行归一化处理,以生成不同分辨率的图像;所述提取模块130用于提取所述待测步态信息中表示人体步态的特征部位的信息;所述判断模块140,包括第一神经网络,所述第一神经网络根据提取的所述特征部位的信息,判断所述待测步态信息中的步态是否为异常步态;所述验证模块150用于对所述判断模块140的输出结果进行验证。
具体地,所述待测步态信息至少包括人体下半身步态的信息,所述特征部位包括腰部、左右膝盖部及左右脚踝。
所述提取模块130包括用于识别所述特征部位的第二神经网络,所述第二神经网络在经过预处理的若干图像中的每一幅图像中获取识别到的特征部位对应的坐标,根据所述坐标标定第一关键点,在每一幅图像中标定的第一关键点上进行连线,得到多个第一步态轮廓。
所述判断模块140根据每幅图像中所述特征部位对应的坐标与所述第一步态轮廓,所述若干图像中坐标的变化关系及第一步态轮廓之间的变化关系,判断所述待测步态信息是否属于异常步态;
若所述待测步态信息属于异常步态,则计算所述待测步态信息与第一异常步态集中的若干预设异常步态的相似度;
若所述待测步态信息属于正常步态,则所述异常步态检测系统100输出的检测结果为正常步态。
所述验证模块150将包括所述待测步态信息的若干图像中的特征部位对应的坐标与第一步态轮廓及与其具有相似度的预设异常步态的几何特征按照相似度由高到低依次进行匹配。
根据预设数据库中大量的异常步态样本,所述提取模块130提取特征部位坐标、所述第一关键点及第二步态轮廓,所述验证模块150根据所述特征部位坐标、所述第一关键点及第二步态轮廓求取各个预设异常步态对应的几何特征。所述几何特征包括一幅图像中的所述坐标与所述第二步态轮廓几何特征,及随时序变化的若干图像中所述坐标与所述第二步态轮廓几何特征的变化特点。
若所述待测步态信息与一预设异常步态的几何特征匹配成功,则认为所述判断模块140判断正确,待测步态信息的检测结果为异常步态,并判定所述待测步态信息属于匹配成功的预设异常步态;
若所述待测步态信息与任意预设异常步态的几何特征匹配均未成功,则认为所述判断模块140判断错误。可以理解的是,在其他实施例中,若认为所述判断模块140判断错误。可以理解的是,在其他实施例中,若认为判断模块140判断错误,则提取模块130重新提取待测步态信息中表示人体步态的特征部位的信息,所述判断模块140对所述待测步态信息进行重新判断。
本发明第二实施例提供的异常步态检测系统100,能够基于视频对判断待测步态信息是否属于异常步态,进一步地,还能判定所述待测步态信息属于何种预设异常步态,操作简单方便,提高了异常步态的检测效率,节约了医疗资源。
以上所述仅为本发明的实施方式,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 (10)
1.一种基于视频的异常步态检测方法,其特征在于,包括:
获取包含有待测步态信息的视频;
提取所述待测步态信息中表示人体步态的特征部位的信息;
根据提取的所述特征部位的信息,利用第一神经网络判断所述待测步态信息中的步态是否为异常步态。
2.如权利要求1所述的异常步态检测方法,其特征在于,所述待测步态信息至少包括人体下半身步态信息;所述特征部位包括腰部、左右膝盖部及左右脚踝。
3.如权利要求1所述的异常步态检测方法,其特征在于,步骤“提取所述待测步态信息中表示人体步态的特征部位的信息”包括:
训练第二神经网络来识别所述特征部位;
获取所述视频中包含的若干图像中识别到的特征部位对应的坐标;
根据所述特征部位对应的坐标,标定第一关键点;
在每一幅图像中标定的第一关键点上进行连线,得到多个第一步态轮廓。
4.如权利要求3所述的异常步态检测方法,其特征在于,步骤“根据提取的所述特征部位的信息,利用第一神经网络判断所述待测步态信息中的步态是否为异常步态”包括:
利用大量的异常步态和正常步态的样本,对搭建的第一神经网络进行训练;
根据每幅图像中所述特征部位对应的坐标及所述第一步态轮廓,与多幅图像中所述坐标的随时序的变化关系及所述第一步态轮廓之间随时序的变化关系,利用训练好的第一神经网络判断所述待测步态信息是否属于异常步态;
若所述待测步态信息属于异常步态,则计算所述待测步态信息与第一异常步态集中的若干预设异常步态的相似度。
5.如权利要求4所述的异常步态检测方法,其特征在于,在步骤“根据提取的所述特征部位的信息,利用第一神经网络判断所述待测步态信息中的步态是否为异常步态”之后,还包括:
获取与若干预设异常步态分别对应的视频中多幅连续图像中的特征部位坐标及第二步态轮廓;
根据所述特征部位坐标及所述第二步态轮廓计算得到若干预设异常步态分别对应的几何特征;
将所述待测步态信息及与其具有相似度的预设异常步态的几何特征按照相似度由高到低依次进行匹配;
若所述待测步态信息与一预设异常步态的几何特征匹配成功,则认为所述第一神经网络判断正确,待测步态信息的检测结果为异常步态。
6.一种异常步态检测系统,其特征在于,包括:
信息采集模块,用于采集包含有待测步态信息的视频;
提取模块,用于提取所述待测步态信息中表示人体步态的特征部位的信息;
判断模块,包括第一神经网络,所述第一神经网络根据提取的所述特征部位的信息,判断所述待测步态信息中的步态是否为异常步态。
7.如权利要求6所述的异常步态检测系统,其特征在于,
所述待测步态信息至少包括人体下半身步态的信息;
所述特征部位包括腰部、左右膝盖部及左右脚踝。
8.如权利要求6所述的异常步态检测系统,其特征在于,所述提取模块包括用于识别所述特征部位的第二神经网络,所述第二神经网络在所述视频中包含的若干图像中获取识别到的特征部位对应的坐标,根据所述坐标标定第一关键点,在每一幅图像中标定的第一关键点上进行连线,得到多个第一步态轮廓。
9.如权利要求8所述的异常步态检测系统,其特征在于,
所述判断模块根据每幅图像中所述特征部位对应的坐标与所述第一步态轮廓,所述若干图像中坐标的变化关系及第一步态轮廓之间的变化关系,判断所述待测步态信息是否属于异常步态;
若所述待测步态信息属于异常步态,则计算所述待测步态信息与第一异常步态集中的若干预设异常步态的相似度。
10.如权利要求9所述的异常步态检测系统,其特征在于,所述异常步态检测系统还包括验证模块,所述验证模块将包括所述待测步态信息的若干图像中的特征部位对应的坐标与第一步态轮廓及与其具有相似度的预设异常步态的几何特征按照相似度由高到低依次进行匹配,若所述待测步态信息与一预设异常步态的几何特征匹配成功,则认为所述判断模块判断正确,待测步态信息的检测结果为异常步态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710743555.9A CN107480651B (zh) | 2017-08-25 | 2017-08-25 | 异常步态检测方法及异常步态检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710743555.9A CN107480651B (zh) | 2017-08-25 | 2017-08-25 | 异常步态检测方法及异常步态检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480651A true CN107480651A (zh) | 2017-12-15 |
CN107480651B CN107480651B (zh) | 2019-12-17 |
Family
ID=60602630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710743555.9A Expired - Fee Related CN107480651B (zh) | 2017-08-25 | 2017-08-25 | 异常步态检测方法及异常步态检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480651B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063661A (zh) * | 2018-08-09 | 2018-12-21 | 上海弈知信息科技有限公司 | 步态分析方法及装置 |
CN109325479A (zh) * | 2018-11-28 | 2019-02-12 | 清华大学 | 步伐检测方法及装置 |
CN109350071A (zh) * | 2018-11-08 | 2019-02-19 | 华东师范大学 | 一种基于人工智能计算的柔性步态监测方法 |
CN111310596A (zh) * | 2020-01-20 | 2020-06-19 | 北京海益同展信息科技有限公司 | 一种动物患病状态监测系统及方法 |
CN111297367A (zh) * | 2019-11-26 | 2020-06-19 | 北京海益同展信息科技有限公司 | 一种动物状态监测方法、装置、电子设备及存储介质 |
CN111700620A (zh) * | 2020-06-24 | 2020-09-25 | 中国科学院深圳先进技术研究院 | 一种步态异常早期识别与风险预警方法和装置 |
CN112102951A (zh) * | 2019-11-21 | 2020-12-18 | 北京健康有益科技有限公司 | 一种基于人体体态估计算法的健康监测方法和装置 |
WO2021258333A1 (zh) * | 2020-06-24 | 2021-12-30 | 中国科学院深圳先进技术研究院 | 一种步态异常早期识别与风险预警方法和装置 |
US11980790B2 (en) | 2021-04-22 | 2024-05-14 | Agile Human Performance, Inc. | Automated gait evaluation for retraining of running form using machine learning and digital video data |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853388A (zh) * | 2009-04-01 | 2010-10-06 | 中国科学院自动化研究所 | 一种基于几何不变量的视角不变的行为识别方法 |
CN105760835A (zh) * | 2016-02-17 | 2016-07-13 | 天津中科智能识别产业技术研究院有限公司 | 一种基于深度学习的步态分割与步态识别一体化方法 |
-
2017
- 2017-08-25 CN CN201710743555.9A patent/CN107480651B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853388A (zh) * | 2009-04-01 | 2010-10-06 | 中国科学院自动化研究所 | 一种基于几何不变量的视角不变的行为识别方法 |
CN105760835A (zh) * | 2016-02-17 | 2016-07-13 | 天津中科智能识别产业技术研究院有限公司 | 一种基于深度学习的步态分割与步态识别一体化方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063661A (zh) * | 2018-08-09 | 2018-12-21 | 上海弈知信息科技有限公司 | 步态分析方法及装置 |
CN109350071A (zh) * | 2018-11-08 | 2019-02-19 | 华东师范大学 | 一种基于人工智能计算的柔性步态监测方法 |
CN109325479A (zh) * | 2018-11-28 | 2019-02-12 | 清华大学 | 步伐检测方法及装置 |
CN109325479B (zh) * | 2018-11-28 | 2020-10-16 | 清华大学 | 步伐检测方法及装置 |
CN112102951A (zh) * | 2019-11-21 | 2020-12-18 | 北京健康有益科技有限公司 | 一种基于人体体态估计算法的健康监测方法和装置 |
CN111297367A (zh) * | 2019-11-26 | 2020-06-19 | 北京海益同展信息科技有限公司 | 一种动物状态监测方法、装置、电子设备及存储介质 |
CN111310596A (zh) * | 2020-01-20 | 2020-06-19 | 北京海益同展信息科技有限公司 | 一种动物患病状态监测系统及方法 |
CN111700620A (zh) * | 2020-06-24 | 2020-09-25 | 中国科学院深圳先进技术研究院 | 一种步态异常早期识别与风险预警方法和装置 |
WO2021258333A1 (zh) * | 2020-06-24 | 2021-12-30 | 中国科学院深圳先进技术研究院 | 一种步态异常早期识别与风险预警方法和装置 |
US11980790B2 (en) | 2021-04-22 | 2024-05-14 | Agile Human Performance, Inc. | Automated gait evaluation for retraining of running form using machine learning and digital video data |
Also Published As
Publication number | Publication date |
---|---|
CN107480651B (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480651A (zh) | 异常步态检测方法及异常步态检测系统 | |
CN108921100B (zh) | 一种基于可见光图像与红外图像融合的人脸识别方法及系统 | |
CN102419819B (zh) | 人脸图像识别方法和系统 | |
CN106339702A (zh) | 一种基于多特征融合的人脸识别方法 | |
Yao et al. | Robust CNN-based gait verification and identification using skeleton gait energy image | |
CN112149638B (zh) | 基于多模态生物特征的人员身份识别系统构建及使用方法 | |
CN110490109B (zh) | 一种基于单目视觉的在线人体康复动作识别方法 | |
CN107273864A (zh) | 一种基于深度学习的人脸检测方法 | |
CN111462379A (zh) | 一种含掌静脉和人脸识别的门禁管理方法、系统及介质 | |
CN106503691A (zh) | 一种人脸图片的身份标注方法和装置 | |
CN103310179A (zh) | 一种基于人脸识别技术的最优姿态检测方法及系统 | |
CN113516005B (zh) | 一种基于深度学习和姿态估计的舞蹈动作评价系统 | |
CN112633196A (zh) | 人体姿态检测方法、装置和计算机设备 | |
CN113920326A (zh) | 基于人体骨骼关键点检测的摔倒行为识别方法 | |
CN108875907A (zh) | 一种基于深度学习的指纹识别方法和装置 | |
CN115462783A (zh) | 一种基于骨骼关键点检测的婴幼儿爬行姿态分析系统 | |
CN109670435B (zh) | 一种基于人体步态特征对身份进行识别的方法 | |
CN116129524A (zh) | 一种基于红外图像的姿态自动识别系统和方法 | |
US20230040650A1 (en) | Real-time, fine-resolution human intra-gait pattern recognition based on deep learning models | |
CN110163489A (zh) | 一种戒毒运动锻炼成效评价方法 | |
CN112597854B (zh) | 无配合式人脸识别系统及方法 | |
CN107704809A (zh) | 基于干扰特征向量数据集的1比n人脸特征向量比对方法 | |
Helfroush et al. | Figerprint segmentation | |
CN110705352A (zh) | 基于深度学习的指纹图像检测方法 | |
KR101767234B1 (ko) | 입술 혈관 패턴인식 기반 개인 판별 시스템 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191217 Termination date: 20210825 |
|
CF01 | Termination of patent right due to non-payment of annual fee |