CN107967941A - 一种基于智能视觉重构的无人机人体健康监控方法与系统 - Google Patents

一种基于智能视觉重构的无人机人体健康监控方法与系统 Download PDF

Info

Publication number
CN107967941A
CN107967941A CN201711193172.5A CN201711193172A CN107967941A CN 107967941 A CN107967941 A CN 107967941A CN 201711193172 A CN201711193172 A CN 201711193172A CN 107967941 A CN107967941 A CN 107967941A
Authority
CN
China
Prior art keywords
human body
human
health
bat
neural network
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
CN201711193172.5A
Other languages
English (en)
Inventor
刘辉
李燕飞
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201711193172.5A priority Critical patent/CN107967941A/zh
Publication of CN107967941A publication Critical patent/CN107967941A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Physiology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于智能视觉重构的无人机人体健康监控方法与系统，该方法包括：步骤1：构建人体自然体征数据库和人体极限运动数据库；步骤2：利用搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群；步骤3：基于Hadoop平台对待识别人体脸部图像利用广义回归神经网络进行快速识别；步骤4：无人机跟踪已识别人体，利用穿戴设备获取待识别人体的健康数据并传输至远程服务器；步骤5:将获取的健康数据输入基于PID神经网络的人体健康评估模型，得到待识别人体的健康检测程度。本发明基于大数据平台，运用穿戴设备、无人机、双目相机对户外运动人体健康信息采集，进行实时健康监测，从而做出合理决策。

Description

一种基于智能视觉重构的无人机人体健康监控方法与系统
技术领域
本发明属于健康监测大数据领域，特别涉及一种基于智能视觉重构的无人机人体健康监控方法与系统。
背景技术
随着社会经济的不断发展，健康观念逐步深入人心，参加户外运动的人数日益壮大。与此同时，因运动个体的运动量过大导致的运动事故率也节节攀高。因此，在户外运动中对人体的健康情况进行实时监测，有效的保障运动者安全的问题就十分有意义。
近些年，信息多元化的发展，以及计算机技术、微电子技术和多传感器网络日益成熟，信息融合作为一种有效的信息综合处理方法，在目标识别、故障诊断、态势估计、图像处理、遥感等领域发展迅猛。但是目前，信息融合技术在生理信息领域的应用研究还处于初级阶段，尤其是运动保健、体育等领域。
目前，穿戴设备可以快速准确地测出测量心率、汗液、体温、睡眠、步数、血压、葡萄糖水平等人体健康数据。但是人体是庞大而复杂的有机系统,只通过简单的一项生理指标信息很难对人体健康状态进行准确的判断。借助信息融合技术，利用神经网络建立人体健康评估模型，通过对这些人体健康数据的智能融合，从而监测人体的身体健康状况。
因此，在户外运动过程中，实时监测人体健康数据并进行智能融合、运动环境以及人体位置，可以很大程度上防止户外运动意外事故的发生，保障生命安全。
发明内容
本发明目的在于提出一种基于智能视觉重构的无人机人体健康监控方法与系统，利用搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像；基于Hadoop平台对待识别人体脸部图利用广义回归神经网络进行快速识别；无人机跟踪已识别人体，并与已识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；将获取的健康数据输入基于PID神经网络的人体健康评估模型，得到待识别人体的健康检测程度。
一种基于智能视觉重构的无人机人体健康监控方法与系统，包括以下步骤：
步骤1：构建人体健康特征数据库；
所述人体健康特征数据库包括人体自然体征数据库和人体极限运动数据库；
其中，所述人体自然体征数据库包括不同人的脸部图像和对应的身高，且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像；
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据，所述健康数据是指在运动过程中10s内采集的心率、血压和体温；
步骤2：依据搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像数据块；
步骤3：基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别；
步骤3.1：将待识别人体的脸部图像数据块，利用MapReduce进行切片，并为每一个数据分片构造一个Map任务；
步骤3.2：利用Input Format类将每个数据分片转换成<key/value>对，以key记录每个数据分片起点的存储位置，以value记录每个数据分片的数据长度；
步骤3.3：对步骤3.2得到的所有<key/value>对对应的脸部图像数据进行Map操作；
所述Map操作是指对一个数据分片中的脸部图像依次进行预处理、特征提取、PCA降维处理后，采用在Hadoop平台训练得到的基于广义回归神经网络的脸部识别模型进行识别；
其中，对预处理后脸部图像采用Gabor小波滤波器进行特征提取，所述Gabor小波滤波器包括5个中心频率和8个方向；
步骤3.4：利用Reduce函数融合所有Map操作输出的识别结果；
其中，所述在Hadoop平台训练得到的基于广义回归神经网络的脸部识别模型是指将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理，并将每个数据分片对应的训练数据，训练基于广义回归神经网络的脸部识别模型，将所有训练完后的基于广义回归神经网络的脸部识别模型中的光滑因子求平均，直到最终基于广义回归神经网络的脸部识别模型的精度满足设定的识别精度或者执行MapReduce次数达到设定的最大执行次数；
步骤4：利用识别结果，使得无人机跟踪待识别人体，并与待识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；
步骤5：将获取的待识别人体的健康数据输入PID神经网络人体健康评估模型，得到待识别人体的健康检测程度。
进一步地，所述广义回归神经网络脸部识别模型的构建过程如下：
步骤3.3.1：对每一幅训练图像进行预处理，并对预处理后的图像进行PCA降维，得到降维矩阵；
步骤3.3.2：利用MapReduce对训练图像数据和对应的图像编号进行切片，依次将每个数据分片中所有训练图像的降维矩阵对应的特征向量作为输入层节点，输出层节点为数据分片中每个训练图像的编号，对广义回归神经网络进行训练，得到基于广义回归神经网络的脸部识别模型；
其中，最大迭代次数为250，训练学习率为0.1，在训练过程中，所述广义回归神经网络使用的光滑因子采用水循环算法进行寻优获得。
进一步地，所述广义回归神经网络使用的光滑因子采用水循环算法进行寻优获得的过程如下：
步骤A1：将降雨层作为基于广义回归神经网络的脸部识别模型的光滑因子，初始化降雨层种群，并设置降雨层种群参数；
降雨层种群规模的取值范围为[20,140]，河流和海洋的取值范围为[4,14]，海洋个数1，极小值dmin的取值范围为[0.025,0.1]，最大迭代次数的取值范围为[300,1000]，最大搜索精度的取值范围为[0.01,0.15]；
步骤A2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；
将降雨层对应的光滑因子代入基于广义回归神经网络的人脸识别模型中，并利用降雨层确定的基于广义回归神经网络的人脸识别模型计算输入图像的对应编号，将输入图像的计算编号和实际编号的均方差MSE1的倒数作为第一适应度函数f1(x)；
Ai表示计算编号值的第i位，Bi表示实际编号值的第i位，n＝6；
利用第一适应度函数计算每个降雨层的适应度，以最大适应度对应的降雨层作为大海，以次小适应度对应的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；
步骤A3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们互相交换位置；
步骤A4：使河流流入海洋，若河流的解比海洋的解较优，则河流与海洋交换位置，以最终海洋作为最优解；
步骤A5：检查是否满足蒸发条件；判断河流与海洋的适应值之差的绝对值是否小于极小值dmin；
如果小于，则认为满足降雨条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群中各降雨层的适应度，返回步骤A3，否则，减小进入dmin，步骤A6；
随机生成的新的降雨层数量与删掉的河流数量相同；
步骤A6：判断是否到达最大迭代次数，若达到，输出全局最优大海对应的基于广义回归神经网络的人脸识别模型的光滑因子，若未达到，则令t＝t+1，进入步骤A3，继续下一次迭代。
进一步地，所述PID神经网络人体健康评估模型的构建过程如下：
将人体极限运动量训练数据库中各种运动量的人体健康数据作为输入层节点，输出层节点为对应的健康评估分数，对PID神经网络进行训练；
其中，输入层包含3个节点，最大迭代次数设置为500，训练学习率为0.12，所述PID神经网络使用的权值和阈值采用混沌和差分蝙蝠算法进行寻优获得；
所述人体健康数据包括在各种运动量下10s内的血压、心率以及体温；
0％极限运动量对应健康评估分数为0；10％的极限运动量，对应健康评估分数为0.1，依次类推，达到100％极限运动量，对应健康评估分数为1。
进一步地，所述PID神经网络使用的权值和阈值采用采用混沌和差分蝙蝠算法进行寻优获得的过程如下：
步骤B1：以蝙蝠个体的位置作为基于PID神经网络的人体健康评估模型的权值和阈值，设置蝙蝠种群参数；
蝙蝠种群规模的取值范围为[120,600]，蝙蝠个体最大脉冲频度r0＝0.4，最大脉冲声音强度A0的取值范围为[0.25,0.75]，蝙蝠搜索频度增加系数的取值范围为[0.03,0.06]，声音强度衰减系的取值范围为[0.8,0.95]，交叉概率设置为0.5，变异概率设置为0.5，适应度方差阈值的取值范围为[0.01,0.04]，搜索脉冲频率的取值范围为[0，1.0]，最大迭代次数的取值范围为[300,500]，最大搜索精度的取值范围为[0.02,0.15]；
步骤B2：根据混沌映射序列初始化蝙蝠种群中每个蝙蝠个体的位置、速度和频率；
步骤B3：设定适应度函数，并确定初始最优蝙蝠个体位置和迭代次数t，t＝1；
将蝙蝠个体位置对应的权值、阈值代入基于PID神经网络的人体健康评估模型中，并利用蝙蝠个体位置确定基于PID神经网络的人体健康评估模型中，将评分预测值和实际值的均方差MSE2的倒数作为第二适应度函数f2(x)，f2(x)＝1/MSE2；
步骤B4：利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度；
步骤B5：若Rand1>ri，则对处于个体最优位置的蝙蝠进行随机扰动，生成蝙蝠个体的扰动位置；
其中，Rand1为在[0,1]上均匀分布的随机数，ri为第i只蝙蝠的脉冲频度；
步骤B6：Rand2>Ai，蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个体位置的适应度，则将蝙蝠个体移动到扰动位置，否则保持原位；
其中，Rand2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；
步骤B7：计算当前种群中每个蝙蝠个体的适应度以及蝙蝠种群的群体适应度方差；
群体适应度方差是指所有蝙蝠个体的适应度方差；
根据蝙蝠种群的群体适应度方差判断蝙蝠算法的早熟状态，若群体适应度方差小于给定的阈值，则对蝙蝠种群中每个蝙蝠个体进行交叉和变异操作，返回步骤B5，否则，在当前蝙蝠种群中寻找适应度最大的蝙蝠个体，转到步骤B8；
步骤B8：判断是否达到最大搜索精度或者最大迭代次数，若达到，则输出最优蝙蝠个体位置对应的基于PID神经网络的人体健康评估模型的权值和阈值；
所述达到搜索精度是指当前最优蝙蝠个体的适应度值和前一次迭代过程中的最优蝙蝠个体的适应度值之差小于设定的搜索精度。
进一步地，所述远程服务器依据接收到人体健康检测结果，并发出预警指令至人体穿戴设备上：
若分数达到[0.7,0.8)，服务器向手环发送指令，手环做出一级震动，提醒该个体休息；
若分数达到[0.8，0.9)服务器向手环发送指令，手环做出二级震动，提醒该个体身体状态已不适合继续运动；
若分数达到0.9，服务器向手环发送指令，手环做出三级震动，提醒该个体身体状态必须要停止运动，同时无人机会发出警报。
若分数位于区间[0,0.7),无反应；
进一步地，在进行户外运动监测过程中，每架无人机的电量实时向远程服务器反馈，远程服务器根据反馈的电量，对无人机发出指令：
当无人机剩余电量大于等于20％，保持监测状态；
当无人机剩余电量小于20％，无人机返回充电区；同时，远程服务器指派一架电量充足的无人机飞去指定区域继续监测。
进一步地，所述步骤3.3.1中对每一幅训练图像进行预处理，是指对脸部图像分别进行几何预处理、灰度预处理以及人脸肤色检测；
所述几何预处理是将人脸图像变换到同一位置和同一大小；
所述灰度预处理是将彩色图像进行灰度化处理；
同时消除噪声，增加对比度，进行光线补偿，改善图像的效果。
所述人脸肤色检测是指基于脸部肤色的人脸检测，除去照片中的非人脸区域，提取出包含人脸特征的轮廓。
一种基于智能视觉重构的无人机人体健康监控系统，包括：
人体健康特征数据库，包括人体自然体征数据库和人体极限运动数据库；
其中，所述人体自然体征数据库包括不同人的脸部图像和对应的身高，且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像；
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据，所述健康数据是指在运动过程中10s内采集的心率、血压和体温；
脸部图像视觉筛选模块，依据搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像数据块；
Hadoop平台识别模块，采用上述方法基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别；
追踪模块，依据Hadoop平台识别模块的识别结果，使得无人机跟踪待识别人体，并与待识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；
健康测量模块，将获取的待识别人体的健康数据输PID神经网络人体健康评估模型，采用上述的方法得到待识别人体的健康测量程度。
有益效果
本发明提供了一种基于智能视觉重构的无人机人体健康监控方法与系统，通过无人机装载双目相机ZED对运动环境的监测以及对环境中运动人体的识别、跟踪以及结合穿戴设备的健康数据融合，对人体健康特征进行测量，并且相对于现有技术具有以下优点：
1.将脸部识别和云计算相结合，利用MapReduce并行分布式运行机制，提升脸部识别效率，缩短训练周期；
2.采用水循环算法对广义回归神经网络进行优化，克服训练结果可能会陷入局部最优、学习过程收敛速度慢的缺点，从而提高了脸部识别的准确率和效率；
3.通过混沌和差分蝙蝠算法优化的PID神经网络融合健康体征数据(心率、体温、血压)对疲劳程度进行检测，能够准确地表示人体的身体状态评分并作出合理决策；
4.由于多尺度Gabor滤波后特征维数较大，采用一种基于Gabor小波特征提取的PCA人脸识别方法，有效的提高了人脸识别的效率和准确率。
附图说明
图1为本发明所述的基于Gabor小波特征提取的PCA流程图；
图2为本发明所述的Hadoop框架图；
图3为本发明所述平台结构示意图；
图4为本发明所述方法的流程示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步地说明。
如图4所示，一种基于智能视觉重构的无人机人体健康监控方法，包括以下步骤：
步骤1：构建人体健康特征数据库；
所述人体健康特征数据库包括人体自然体征数据库和人体极限运动数据库；
其中，所述人体自然体征数据库包括不同人的脸部图像和对应的身高，且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像；
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据，所述健康数据是指在运动过程中10s内采集的心率、血压和体温；
采集系统中每个人的极限运动量，同时分别记录下在不同运动量下(极限运动量的10％、20％……100％)，测量10s内个体的健康数据，包括心率、血压、体温；
建立人体健康数据的评分机制，最高为1，最低为0。其中0％极限运动量对应分数1；10％的极限运动量，对应分数0.9。依次类推，达到极限运动量，对应分数0。
步骤2：如图3所示，依据搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像数据块；
每个ZED基于自身的双目视觉，得出视野内所有人体的身高数据，与待识别目标在数据库中的身高信息进行比对，筛选出与其身高差距±3cm的若干个体；
ZED相机获取该若干个体脸部图像，拍摄授权人脸部40帧图像。利用Hadoop平台的MapReduce并行分布式运行机制，快速识别目标个体，并传回指令给无人机的车载控制器，对目标个体持续追踪。
在户外运动环境布置多个装载ZED的无人机，覆盖整个户外运动环境，通相机标定、图像预处理与校正、图像立体匹配、深度提取以及三维重建恢复，对完整的户外环境进行三维重建，得到三维环境中各个点的位置坐标。
步骤3：如图2所示，基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别；
离线训练过程：将事先采集的脸部图像库中的大量脸部图像进行并行训练。
将系统中人体进行编号，如个体1编号000001，个体2编号000002。
步骤3.1：将待识别人体的脸部图像数据块，利用MapReduce进行切片，并为每一个数据分片构造一个Map任务；
步骤3.2：利用Input Format类将每个数据分片转换成<key/value>对，以key记录每个数据分片起点的存储位置，以value记录每个数据分片的数据长度；
其中，所述离线训练是指基于Hadoop平台，将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理，并将每个数据分片对应的训练数据，训练基于广义回归神经网络的脸部识别模型，将所有训练完后的基于广义回归神经网络的脸部识别模型中的光滑因子求平均，直到最终基于广义回归神经网络的脸部识别模型的精度满足设定的识别精度或者执行MapReduce次数达到设定的最大执行次数；
户外运动环境下运动人体实时的脸部识别：将待识别人体脸部图像数据块实时输入脸部识别模型；
其中，户外运动环境下运动人体实时的脸部识别过程中将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理；
步骤3.3：对步骤3.2得到的所有<key/value>对对应的脸部图像数据进行Map操作；
所述Map操作是指对一个数据分片中的脸部图像依次进行预处理、PCA降维处理后，采用在Hadoop平台训练得到的基于广义回归神经网络的脸部识别模型进行识别；
步骤3.4：利用Reduce函数融合所有Map操作输出的识别结果；
服务器根据输出的识别结果生成指令并传送给无人机：
其中，输出的识别结果为一个6×40的矩阵，矩阵的每一个列向量为个人编号或者接近某一个体编号。若追踪的个体编号为000001，则通过判断6×40的矩阵中每一列与000001的相似程度来进行确定目标个体的脸部图像。生成指令并发送给其中一个无人机对个体进行追踪，其余无人机协同追踪。
其中，所述脸部识别智能模型建立过程如下：
a脸部图像预处理
对脸部图像分别进行几何预处理和灰度预处理，几何预处理是将人脸图像变换到同一位置和同一大小；灰度预处理是将彩色图像进行灰度化处理，同时消除噪声，增加对比度，进行光线补偿，改善图像的效果；
通过基于脸部肤色的人脸检测，除去照片中的非人脸区域，提取出包含人脸特征的轮廓。
b脸部特征提取：如图1所示，采用Gabor小波滤波器后再利用主成分分析法进行降维处理；
本专利采用5个中心频率和8个方向组成的40个滤波器对人脸图像进行特征提取，即v＝1，2……5，u＝1，2……8。kv和的取值如下：
人脸的特征提取通过与Gabor小波滤波器卷积获得。
×3主成分分析法：通过特征的线性组合来实现人脸图像的降维；
A.假设人脸图像i的像素为m×n，则通过与Gabor卷积后共有40mn个像素点，将这40mn个像素点依次排列起来作为一个列向量Xi。输入N张人脸图像，依次表示为X1、X2……Xn，每个Xi维数为M＝40mn，则可以表示为X＝[X1、X2……Xn]M*N；
×nXiX1、X2……XnXiX＝[X1、X2……Xn]B.先计算样本每一维的均值，然后计算观察值与均值之间的偏差，在计算样本协方差矩阵；
C.计算协方差矩阵的特征值和特征向量；
D.计算总能量，选取贡献率大的特征值和对应的特征向量；
其中，总能量指的是所有特征值相加的和；贡献率是指前q个特征值之和与所有特征值之和的比值；如果贡献率大于90％，那么只需要提取前q个特征值与其相对应的特征向量，从而降低了样本数据的维数。
E.计算前q个特征值所对应的特征向量组成的矩阵，计算降维后的样本矩阵。根据上一步得到的新特征向量，用原始的协方差矩阵乘以此新特征向量组成的矩阵，则可以得到人脸图片降维后的样本矩阵。
c.脸部识别模型
广义回归：输入层节点个数根据分片中图像的个数确定，根据经验取隐含层个数，输出层节点个数根据分片中图像的个数确定，最大迭代次数设置为250，训练学习率为0.1。
将每个脸部图像的降维之后的特征向量作为输入，对应的个体编号作为输出；
其中，广义回归神经网络使用的光滑因子采用水循环算法进行寻优获得。；
步骤A1：将降雨层作为基于广义回归神经网络的脸部识别模型的光滑因子，初始化降雨层种群，并设置降雨层种群参数；
降雨层种群规模的取值范围为[20,140]，河流和海洋的取值范围为[4,14]，海洋个数1，极小值dmin的取值范围为[0.025,0.1]，最大迭代次数的取值范围为[300,1000]，最大搜索精度的取值范围为[0.01,0.15]；
步骤A2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；
将降雨层对应的光滑因子代入基于广义回归神经网络的人脸识别模型中，并利用降雨层确定的基于广义回归神经网络的人脸识别模型计算输入图像的对应编号，将输入图像的计算编号和实际编号的均方差MSE1的倒数作为第一适应度函数f1(x)；
Ai表示计算编号值的第i位，Bi表示实际编号值的第i位，n＝6；
利用第一适应度函数计算每个降雨层的适应度，以最大适应度对应的降雨层作为大海，以次小适应度对应的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；
步骤A3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们互相交换位置；
步骤A4：使河流流入海洋，若河流的解比海洋的解较优，则河流与海洋交换位置，以最终海洋作为最优解；
步骤A5：检查是否满足蒸发条件；判断河流与海洋的适应值之差的绝对值是否小于极小值dmin；
如果小于，则认为满足降雨条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群中各降雨层的适应度，返回步骤A3，否则，减小dmin，进入步骤A6；
随机生成的新的降雨层数量与删掉的河流数量相同；
步骤A6：判断是否到达最大迭代次数，若达到，输出全局最优大海对应的基于广义回归神经网络的人脸识别模型的光滑因子，若未达到，则令t＝t+1，进入步骤A3，继续下一次迭代。
步骤4：利用识别结果，使得无人机跟踪待识别人体，并与待识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；
在户外运动环境中，目标个体随着运动量的增加，人体血压，心率，体温等特征数据会发生明显变化。目标个体佩戴的手环具有人体健康数据检测模块以及无线通信模块。手环通过实时监测目标个体在运动中的血压，心率，体温，并将这些人体健康数据通过无线通讯模块传输至服务器(每10s内发送一次)。
步骤5：人体健康数据融合测量；
将人体极限运动量数据库中人体健康数据(10s内的人体血压，心率，体温)作为输入，输出为对应的人体健康评分值，利用PID神经网络进行融合。
PID神经网络：根据输入数据结构确定输入层3个节点，中间层7个节点，输出层1个节点。最大迭代次数设置为500，训练学习率为0.12。
采用混沌和差分蝙蝠算法优化PID神经网络的权值和阈值。
步骤B1：以蝙蝠个体的位置作为基于PID神经网络的人体健康评估模型的权值和阈值，设置蝙蝠种群参数；
蝙蝠种群规模的取值范围为[120,600]，蝙蝠个体最大脉冲频度r0＝0.4，最大脉冲声音强度A0的取值范围为[0.25,0.75]，蝙蝠搜索频度增加系数的取值范围为[0.03,0.06]，声音强度衰减系的取值范围为[0.8,0.95]，交叉概率设置为0.5，变异概率设置为0.5，适应度方差阈值的取值范围为[0.01,0.04]，搜索脉冲频率的取值范围为[0，1.0]，最大迭代次数的取值范围为[300,500]，最大搜索精度的取值范围为[0.02,0.15]；
步骤B2：根据混沌映射序列初始化蝙蝠种群中每个蝙蝠个体的位置、速度和频率；
步骤B3：设定适应度函数，并确定初始最优蝙蝠个体位置和迭代次数t，t＝1；
将蝙蝠个体位置对应的权值、阈值代入基于PID神经网络的人体健康评估模型中，并利用蝙蝠个体位置确定基于PID神经网络的人体健康评估模型中，将评分预测值和实际值的均方差MSE2的倒数作为第二适应度函数f2(x)，f2(x)＝1/MSE2；
步骤B4：利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度；
步骤B5：若Rand1>ri，则对处于个体最优位置的蝙蝠进行随机扰动，生成蝙蝠个体的扰动位置；
其中，Rand1为在[0,1]上均匀分布的随机数，ri为第i只蝙蝠的脉冲频度；
步骤B6：Rand2>Ai，蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个体位置的适应度，则将蝙蝠个体移动到扰动位置，否则保持原位；
其中，Rand2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；
步骤B7：计算当前种群中每个蝙蝠个体的适应度以及蝙蝠种群的群体适应度方差；
群体适应度方差是指所有蝙蝠个体的适应度方差；
根据蝙蝠种群的群体适应度方差判断蝙蝠算法的早熟状态，若群体适应度方差小于给定的阈值，则对蝙蝠种群中每个蝙蝠个体进行交叉和变异操作，返回步骤B5，否则，在当前蝙蝠种群中寻找适应度最大的蝙蝠个体，转到步骤B8；
步骤B8：判断是否达到最大搜索精度或者最大迭代次数，若达到，则输出最优蝙蝠个体位置对应的基于PID神经网络的人体健康评估模型的权值和阈值；
所述达到搜索精度是指当前最优蝙蝠个体的适应度值和前一次迭代过程中的最优蝙蝠个体的适应度值之差小于设定的搜索精度。
步骤5：将获取的待识别人体的健康数据输入PID神经网络人体健康评估模型，得到待识别人体的健康检测程度。
服务器接收到人体健康数据，输入训练后的神经网络，得出此时人体健康状态的评分，并发出指令。
若分数达到[0.7,0.8)，服务器向手环发送指令，手环做出一级震动，提醒该个体休息。
若分数达到[0.8，0.9)服务器向手环发送指令，手环做出二级震动，提醒该个体身体状态已不适合继续运动。
若分数达到0.9，服务器向手环发送指令，手环做出三级震动，提醒该个体身体状态必须要停止运动同属无人机会发出警报。
步骤6：在进行户外运动监测过程中，每架无人机的电量会实时向服务器反馈。服务器根据反馈的电量，对无人机发出指令：
当无人机剩余电量大于等于20％，保持监测状态。
当无人机剩余电量小于20％，无人机返回充电区；同时，服务器指派一架电量充足的无人机飞去指定区域继续监测。
步骤7：当待测目标终止运动，离开该户外环境。无人机返回充电区，准备下一次任务。
一种基于智能视觉重构的无人机人体健康监控系统，包括：
人体健康特征数据库，包括人体自然体征数据库和人体极限运动数据库；
其中，所述人体自然体征数据库包括不同人的脸部图像和对应的身高，且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像；
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据，所述健康数据是指在运动过程中10s内采集的心率、血压和体温；
脸部图像视觉筛选模块，依据搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像数据块；
Hadoop平台识别模块，采用上述方法基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别；
追踪模块，依据Hadoop平台识别模块的识别结果，使得无人机跟踪待识别人体，并与待识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；
健康测量模块，将获取的待识别人体的健康数据输入PID神经网络人体健康评估模型，采用上述的方法得到待识别人体的健康测量程度。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于智能视觉重构的无人机人体健康监控方法，其特征在于，包括以下步骤：
步骤1：构建人体健康特征数据库；
所述人体健康特征数据库包括人体自然体征数据库和人体极限运动数据库；
其中，所述人体自然体征数据库包括不同人的脸部图像和对应的身高，且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像；
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据，所述健康数据是指在运动过程中10s内采集的心率、血压和体温；
步骤2：依据搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像数据块；
步骤3：基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别；
步骤3.1：将待识别人体的脸部图像数据块，利用MapReduce进行切片，并为每一个数据分片构造一个Map任务；
步骤3.2：利用Input Format类将每个数据分片转换成<key/value>对，以key记录每个数据分片起点的存储位置，以value记录每个数据分片的数据长度；
步骤3.3：对步骤3.2得到的所有<key/value>对对应的脸部图像数据进行Map操作；
所述Map操作是指对一个数据分片中的脸部图像依次进行预处理、特征提取、PCA降维处理后，采用在Hadoop平台训练得到的基于广义回归神经网络的脸部识别模型进行识别；
其中，对预处理后脸部图像采用Gabor小波滤波器进行特征提取，所述Gabor小波滤波器包括5个中心频率和8个方向；
步骤3.4：利用Reduce函数融合所有Map操作输出的识别结果；
其中，所述在Hadoop平台训练得到的基于广义回归神经网络的脸部识别模型是指将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理，并将每个数据分片对应的训练数据，训练基于广义回归神经网络的脸部识别模型，将所有训练完后的基于广义回归神经网络的脸部识别模型中的光滑因子求平均，直到最终基于广义回归神经网络的脸部识别模型的精度满足设定的识别精度或者执行MapReduce次数达到设定的最大执行次数；
步骤4：利用识别结果，使得无人机跟踪待识别人体，并与待识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；
步骤5：将获取的待识别人体的健康数据输入PID神经网络人体健康评估模型，得到待识别人体的健康检测程度。
2.根据权利要求1所述的方法，其特征在于，所述广义回归神经网络脸部识别模型的构建过程如下：
步骤3.3.1：对每一幅训练图像进行预处理和特征提取，并对提取的图像特征进行PCA降维，得到降维矩阵；
步骤3.3.2：利用MapReduce对训练图像数据和对应的图像编号进行切片，依次将每个数据分片中所有训练图像的降维矩阵对应的特征向量作为输入层节点，输出层节点为数据分片中每个训练图像的编号，对广义回归神经网络进行训练，得到基于广义回归神经网络的脸部识别模型；
其中，最大迭代次数为250，训练学习率为0.1，在训练过程中，所述广义回归神经网络使用的光滑因子采用水循环算法进行寻优获得。
3.根据权利要求2所述的方法，其特征在于，所述广义回归神经网络使用的光滑因子采用水循环算法进行寻优获得的过程如下：
步骤A1：将降雨层作为基于广义回归神经网络的脸部识别模型的光滑因子，初始化降雨层种群，并设置降雨层种群参数；
降雨层种群规模的取值范围为[20,140]，河流和海洋的取值范围为[4,14]，海洋个数1，极小值dmin的取值范围为[0.025,0.1]，最大迭代次数的取值范围为[300,1000]，最大搜索精度的取值范围为[0.01,0.15]；
步骤A2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；
将降雨层对应的光滑因子代入基于广义回归神经网络的人脸识别模型中，并利用降雨层确定的基于广义回归神经网络的人脸识别模型计算输入图像的对应编号，将输入图像的计算编号和实际编号的均方差MSE1的倒数作为第一适应度函数f1(x)；
<mrow> <mi>f</mi> <mn>1</mn> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>/</mo> <mi>M</mi> <mi>S</mi> <mi>E</mi> <mn>1</mn> <mo>=</mo> <mn>1</mn> <mo>/</mo> <mrow> <mo>(</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mn>2</mn> <mrow> <mi>n</mi> <mo>-</mo> <mi>i</mi> </mrow> </msup> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>B</mi> <mi>i</mi> </msub> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow>
Ai表示计算编号值的第i位，Bi表示实际编号值的第i位，n＝6；
利用第一适应度函数计算每个降雨层的适应度，以最大适应度对应的降雨层作为大海，以次小适应度对应的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；
步骤A3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们互相交换位置；
步骤A4：使河流流入海洋，若河流的解比海洋的解较优，则河流与海洋交换位置，以最终海洋作为最优解；
步骤A5：检查是否满足蒸发条件；判断河流与海洋的适应值之差的绝对值是否小于极小值dmin；
如果小于，则认为满足降雨条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群中各降雨层的适应度，返回步骤A3，否则，减小dmin，进入步骤A6；
随机生成的新的降雨层数量与删掉的河流数量相同；
步骤A6：判断是否到达最大迭代次数，若达到，输出全局最优大海对应的基于广义回归神经网络的人脸识别模型的光滑因子，若未达到，则令t＝t+1，进入步骤A3，继续下一次迭代。
4.根据权利要求1所述的方法，其特征在于，所述PID神经网络人体健康评估模型的构建过程如下：
将人体极限运动量训练数据库中各种运动量的人体健康数据作为输入层节点，输出层节点为对应的健康评估分数，对PID神经网络进行训练；
其中，输入层包含3个节点，最大迭代次数设置为500，训练学习率为0.12，所述PID神经网络使用的权值和阈值采用混沌和差分蝙蝠算法进行寻优获得；
所述人体健康数据包括在各种运动量下10s内的血压、心率以及体温；
0％极限运动量对应健康评估分数为0；10％的极限运动量，对应健康评估分数为0.1，依次类推，达到100％极限运动量，对应健康评估分数为1。
5.根据权利要求4所述的方法，其特征在于，所述PID神经网络使用的权值和阈值采用采用混沌和差分蝙蝠算法进行寻优获得的过程如下：
步骤B1：以蝙蝠个体的位置作为基于PID神经网络的人体健康评估模型的权值和阈值，设置蝙蝠种群参数；
蝙蝠种群规模的取值范围为[120,600]，蝙蝠个体最大脉冲频度r0＝0.4，最大脉冲声音强度A0的取值范围为[0.25,0.75]，蝙蝠搜索频度增加系数的取值范围为[0.03,0.06]，声音强度衰减系的取值范围为[0.8,0.95]，交叉概率设置为0.5，变异概率设置为0.5，适应度方差阈值的取值范围为[0.01,0.04]，搜索脉冲频率的取值范围为[0，1.0]，最大迭代次数的取值范围为[300,500]，最大搜索精度的取值范围为[0.02,0.15]；
步骤B2：根据混沌映射序列初始化蝙蝠种群中每个蝙蝠个体的位置、速度和频率；
步骤B3：设定适应度函数，并确定初始最优蝙蝠个体位置和迭代次数t，t＝1；
将蝙蝠个体位置对应的权值、阈值代入基于PID神经网络的人体健康评估模型中，并利用蝙蝠个体位置确定基于PID神经网络的人体健康评估模型中，将评分预测值和实际值的均方差MSE2的倒数作为第二适应度函数f2(x)，f2(x)＝1/MSE2；
步骤B4：利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度；
步骤B5：若Rand1>ri，则对处于个体最优位置的蝙蝠进行随机扰动，生成蝙蝠个体的扰动位置；
其中，Rand1为在[0,1]上均匀分布的随机数，ri为第i只蝙蝠的脉冲频度；
步骤B6：Rand2>Ai，蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个体位置的适应度，则将蝙蝠个体移动到扰动位置，否则保持原位；
其中，Rand2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；
步骤B7：计算当前种群中每个蝙蝠个体的适应度以及蝙蝠种群的群体适应度方差；
群体适应度方差是指所有蝙蝠个体的适应度方差；
根据蝙蝠种群的群体适应度方差判断蝙蝠算法的早熟状态，若群体适应度方差小于给定的阈值，则对蝙蝠种群中每个蝙蝠个体进行交叉和变异操作，返回步骤B5，否则，在当前蝙蝠种群中寻找适应度最大的蝙蝠个体，转到步骤B8；
步骤B8：判断是否达到最大搜索精度或者最大迭代次数，若达到，则输出最优蝙蝠个体位置对应的基于PID神经网络的人体健康评估模型的权值和阈值；
所述达到搜索精度是指当前最优蝙蝠个体的适应度值和前一次迭代过程中的最优蝙蝠个体的适应度值之差小于设定的搜索精度。
6.根据权利要求5所述的方法，其特征在于，所述远程服务器依据接收到人体健康检测结果，并发出预警指令至人体穿戴设备上：
若分数达到[0.7,0.8)，服务器向手环发送指令，手环做出一级震动，提醒该个体休息；
若分数达到[0.8，0.9)服务器向手环发送指令，手环做出二级震动，提醒该个体身体状态已不适合继续运动；
若分数达到0.9，服务器向手环发送指令，手环做出三级震动，提醒该个体身体状态必须要停止运动，同时无人机会发出警报。
7.根据权利要求1-6任一项所述的方法，其特征在于，在进行户外运动监测过程中，每架无人机的电量实时向远程服务器反馈，远程服务器根据反馈的电量，对无人机发出指令：
当无人机剩余电量大于等于20％，保持监测状态；
当无人机剩余电量小于20％，无人机返回充电区；同时，远程服务器指派一架电量充足的无人机飞去指定区域继续监测。
8.根据权利要求2-7任一项所述的方法，其特征在于，所述步骤3.3.1中对每一幅训练图像进行预处理，是指对脸部图像分别进行几何预处理、灰度预处理以及人脸肤色检测；
所述几何预处理是将人脸图像变换到同一位置和同一大小；
所述灰度预处理是将彩色图像进行灰度化处理；
所述人脸肤色检测是指基于脸部肤色的人脸检测，除去照片中的非人脸区域，提取出包含人脸特征的轮廓。
9.一种基于智能视觉重构的无人机人体健康监控系统，其特征在于，包括：
人体健康特征数据库，包括人体自然体征数据库和人体极限运动数据库；
其中，所述人体自然体征数据库包括不同人的脸部图像和对应的身高，且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像；
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据，所述健康数据是指在运动过程中10s内采集的心率、血压和体温；
脸部图像视觉筛选模块，依据搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像数据块；
Hadoop平台识别模块，采用权利要求1-8任一项所述方法基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别；
追踪模块，依据Hadoop平台识别模块的识别结果，使得无人机跟踪待识别人体，并与待识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；
健康测量模块，将获取的待识别人体的健康数据输入PID神经网络人体健康评估模型，采用权利要求1-8任一项所述的方法得到待识别人体的健康测量程度。
CN201711193172.5A 2017-11-24 2017-11-24 一种基于智能视觉重构的无人机人体健康监控方法与系统 Pending CN107967941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711193172.5A CN107967941A (zh) 2017-11-24 2017-11-24 一种基于智能视觉重构的无人机人体健康监控方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711193172.5A CN107967941A (zh) 2017-11-24 2017-11-24 一种基于智能视觉重构的无人机人体健康监控方法与系统

Publications (1)

Publication Number Publication Date
CN107967941A true CN107967941A (zh) 2018-04-27

Family

ID=61997698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711193172.5A Pending CN107967941A (zh) 2017-11-24 2017-11-24 一种基于智能视觉重构的无人机人体健康监控方法与系统

Country Status (1)

Country Link
CN (1) CN107967941A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110581834A (zh) * 2018-06-11 2019-12-17 中国移动通信集团浙江有限公司 一种通信能力开放异常检测方法和装置
CN111354463A (zh) * 2018-12-24 2020-06-30 缤刻普达（北京）科技有限责任公司 人体健康测量方法、装置、计算机设备及存储介质
CN111783927A (zh) * 2020-06-29 2020-10-16 江苏商贸职业学院 一种混沌蝙蝠算法uav网络控制系统及故障诊断方法
CN115089150A (zh) * 2022-05-30 2022-09-23 合肥工业大学 一种基于无人机的脉搏波检测方法、装置、电子设备及存储介质
CN117379016A (zh) * 2023-12-11 2024-01-12 吉林省牛人网络科技股份有限公司 用于肉牛养殖的远程监控系统及其方法
CN118020669A (zh) * 2024-04-12 2024-05-14 济宁安鑫养殖有限公司 一种基于大数据的黑猪养殖疾病智能监测管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106999106A (zh) * 2014-12-02 2017-08-01 皇家飞利浦有限公司 用于使用可穿戴设备的测量结果生成健康数据的系统和方法
CN107134129A (zh) * 2016-02-26 2017-09-05 福特全球技术公司 自主车辆乘客定位器

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106999106A (zh) * 2014-12-02 2017-08-01 皇家飞利浦有限公司 用于使用可穿戴设备的测量结果生成健康数据的系统和方法
CN107134129A (zh) * 2016-02-26 2017-09-05 福特全球技术公司 自主车辆乘客定位器

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110581834A (zh) * 2018-06-11 2019-12-17 中国移动通信集团浙江有限公司 一种通信能力开放异常检测方法和装置
CN111354463A (zh) * 2018-12-24 2020-06-30 缤刻普达（北京）科技有限责任公司 人体健康测量方法、装置、计算机设备及存储介质
CN111354463B (zh) * 2018-12-24 2023-11-14 有品国际科技(深圳)有限责任公司 人体健康测量方法、装置、计算机设备及存储介质
CN111783927A (zh) * 2020-06-29 2020-10-16 江苏商贸职业学院 一种混沌蝙蝠算法uav网络控制系统及故障诊断方法
CN115089150A (zh) * 2022-05-30 2022-09-23 合肥工业大学 一种基于无人机的脉搏波检测方法、装置、电子设备及存储介质
CN115089150B (zh) * 2022-05-30 2024-08-09 合肥工业大学 一种基于无人机的脉搏波检测方法、装置、电子设备及存储介质
CN117379016A (zh) * 2023-12-11 2024-01-12 吉林省牛人网络科技股份有限公司 用于肉牛养殖的远程监控系统及其方法
CN117379016B (zh) * 2023-12-11 2024-02-23 吉林省牛人网络科技股份有限公司 用于肉牛养殖的远程监控系统及其方法
CN118020669A (zh) * 2024-04-12 2024-05-14 济宁安鑫养殖有限公司 一种基于大数据的黑猪养殖疾病智能监测管理方法及系统
CN118020669B (zh) * 2024-04-12 2024-08-06 济宁安鑫养殖有限公司 一种基于大数据的黑猪养殖疾病智能监测管理方法及系统

Similar Documents

Publication Publication Date Title
CN107967941A (zh) 一种基于智能视觉重构的无人机人体健康监控方法与系统
CN107423730B (zh) 一种基于语义折叠的人体步态行为主动检测识别系统和方法
CN104063719B (zh) 基于深度卷积网络的行人检测方法及装置
CN109815826B (zh) 人脸属性模型的生成方法及装置
CN104166861B (zh) 一种行人检测方法
CN101807245B (zh) 基于人工神经网络的多源步态特征提取与身份识别方法
CN110210323A (zh) 一种基于机器视觉的溺水行为在线识别方法
CN107007257B (zh) 面部不自然度的自动评级方法和装置
CN107863153A (zh) 一种基于智能大数据的人体健康特征建模测量方法与平台
CN109886241A (zh) 基于长短期记忆网络的驾驶员疲劳检测
CN108664947A (zh) 一种基于表情识别的疲劳驾驶预警方法
CN109670380A (zh) 动作识别、姿势估计的方法及装置
CN114067358A (zh) 一种基于关键点检测技术的人体姿态识别方法及系统
CN106909938B (zh) 基于深度学习网络的视角无关性行为识别方法
CN110046675A (zh) 一种基于改进的卷积神经网络的下肢运动能力评估方法
Bu Human motion gesture recognition algorithm in video based on convolutional neural features of training images
Zhou et al. Learning to estimate 3d human pose from point cloud
CN107844780A (zh) 一种融合zed视觉的人体健康特征大数据智慧计算方法与装置
CN111062340A (zh) 一种基于虚拟姿态样本合成的异常步态行为识别方法
CN116343330A (zh) 一种红外-可见光图像融合的异常行为识别方法
CN113378649A (zh) 身份、位置和动作识别方法、系统、电子设备及存储介质
CN109902565A (zh) 多特征融合的人体行为识别方法
CN108596087A (zh) 一种基于双网络结果的驾驶疲劳程度检测回归模型
CN107967944A (zh) 一种基于Hadoop的户外环境大数据人体健康监测方法与平台
CN116343284A (zh) 基于注意力机制的多特征户外环境情绪识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180427