CN108319960A - 基于概率图模型的行为识别系统及方法、设备及存储介质 - Google Patents
基于概率图模型的行为识别系统及方法、设备及存储介质 Download PDFInfo
- Publication number
- CN108319960A CN108319960A CN201810019998.8A CN201810019998A CN108319960A CN 108319960 A CN108319960 A CN 108319960A CN 201810019998 A CN201810019998 A CN 201810019998A CN 108319960 A CN108319960 A CN 108319960A
- Authority
- CN
- China
- Prior art keywords
- activity recognition
- graph model
- probability graph
- state
- sensors
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- G06V10/457—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 analysing connectivity, e.g. edge linking, connected component analysis or slices
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于概率图模型的行为识别系统、方法、设备及存储介质,其中,该方法包括:获取,通过一个或多个传感器处理器,一个或多个传感器信号;处理,通过一个或多个传感器处理器,时域中的原始传感器信号获得该系统的特征向量;确定,通过一个或多个传感器处理器,一个二元状态,二元状态信息可以包括静止和移动,部分特征可以是信号的能量或方差;若确定处于非静止状态,确定,通过一个活动识别器,人类各个方面的活动,基于特征向量的处理。本发明只对非静止状态的特征向量进行处理,从而提升了特征向量的有效处理率。此外,利用概率图模型分析行为特征向量,既提升了检测准确率,也降低了受观测时域分割变化的影响。
Description
技术领域
本发明涉及行为识别技术领域,具体涉及一种基于概率图模型的行为识别系统及方法、设备及存储介质。
背景技术
过去几十年里,活动行为识别广受关注。识别现实环境中实时活动行为的类型,将为许多分析系统提供基础,特别是在人工智能领域。活动行为识别的目的之一在于提供用户活动行为有关信息,从而能让计算设备主动协助用户完成任务,还可自动借助控制事件来更改或调整设备。近年来,移动计算设备装备了功能强大的MEMS(Micro-Electro-Mechanical System,微机电系统)传感器和高速处理器,为各种便携式设备应用程序提供先进的活动行为识别能力。加速计、陀螺仪传感器或传感器组合等各种类型的MEMS主要用于为人类活动行为分类。有些方法采用人类活动有关周期模式的动态模型来获取行走、跑步、驾车等行为的周期性。有些活动行为识别方法则采用概率图模型。在这个方面,大部分工作均运用隐马尔可夫模型。
通过使用MEMS传感器(尤其是3轴加速计)来识别人类活动具有一定意义。一般来说,该技术提出了一种阈值方法模型来将观察到的传感器活动识别为有意义的人类行为状态。虽然阈值方法模型可以有效地相对于观测的时间分割变化,但是当应用于长而复杂的时间观测序列的推理时,它倾向于缺乏随机观测之间的条件依赖结构。因此,包含“边缘”的人类活动行为识别的概率可能很高。
发明内容
本发明第一方面提供了一种基于概率图模型的行为识别系统,包括:
一个或多个传感器;
一个或多个传感器处理器,所述传感器处理器被配置为对所述一个或多个传感器信号进行处理以从传感器信号的时域数据中提取特征向量,并根据所述特征向量中的第一部分特征确定用户的二元状态;其中,所述二元状态为静止状态或活动状态,所述第一部分特征包括传感器信号能量和/或传感器信号方差;
一个活动识别器,所述活动识别器被配置为基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态。
优选地,所述概率图模型包括隐马尔可夫模型。
优选地,所述活动识别器在执行在“基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态”的步骤中,使用维特比算法进行行为识别的概率计算。
优选地,该系统还包括:
调节器,用于根据所确定的用户行为状态对电子计算设备的事件进行预测、更改和/或调整。
本发明第二方面提供了一种基于概率图模型的行为识别方法,包括:
获取一个或多个传感器信号;
对所述一个或多个传感器信号进行处理,以从传感器信号的时域数据中提取特征向量;
根据所述特征向量中的第一部分特征确定用户的二元状态,所述二元状态为静止状态或活动状态,所述第一部分特征包括传感器信号能量和/或传感器信号方差;
基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态。
优选地,所述概率图模型包括隐马尔可夫模型。
优选地,在“基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态”的步骤中,使用维特比算法进行行为识别的概率计算。
优选地,在“基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态”之后,还包括如下步骤:
根据所确定的用户行为状态对电子计算设备的事件进行预测、更改和/或调整。
本发明第三方面提供一种电子计算设备,包括:
一个或多个传感器;
一个或多个传感器处理器;
一个处理器;
一个存储器;
所述一个或多个传感器、一个或多个传感器处理器、一个处理器和一个存储器在工作时实现上述的基于概率图模型的行为识别方法。
本发明第四方面提供一种存储介质,该存储介质内存储有程序,所述程序在被执行时实现上述的基于概率图模型的行为识别方法。
与现有技术相比,本发明提取到特征向量后,先进行二元状态判断,避免了对静止状态的特征向量的处理,从而提升了特征向量的有效处理率。此外,活动状态下,利用概率图模型分析特征向量,一方面,对于同等数量的观测,概率图模型的出错率低于阈值法模型,因此,提升了检测准确率。另一方面,因为概率图模型提供了随机观测之间的条件依存结构,因此,降低了受观测时域分割变化的影响。
附图说明
图1是根据本发明的一个实施例的行为识别系统的示例图;
图2是根据本发明的一个实施例的行为识别方法的流程图;
图3是根据本发明的一个实施例的行为识别方法所提取特征向量随时间的状态变化图;
图4是根据本发明的一个实施例的行为识别方法所确定的用户行为状态变化图;
图5是根据本发明的一个实施例的电子计算设备的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用来限定本发明。
本说明书中所述例如“处理”、“计算”、“运算”、“确定”、“建立”、“分析”、“检查”等术语可以指代计算机、计算平台、计算系统或其它电子计算设备的以下操作和/或处理,这些操作和/或处理将计算机的寄存器和/或存储器的物理(电子)量所表示的数据操控和/或变换为计算机寄存器和/或存储器或可以存储指令以执行操作和/或处理的其它信息存储介质的物理量所类似地表示的其它数据。
图1示出了本发明基于概率图模型的行为识别系统的一个实施例。在本实施例中,该基于概率图模型的行为识别系统100包括一个活动识别器110、一个或多个传感器处理器120、一个或多个传感器130。一个或多个传感器处理器120可以是传感器的组件或专用处理器,用于获取和存储来自一个或多个传感器130的数据。一个或多个传感器130可以是加速度计、陀螺传感器或其他类型的传感器。
其中,传感器处理器120被配置为对所述一个或多个传感器信号进行处理以从传感器信号的时域数据中提取特征向量,并根据该特征向量中的第一部分特征确定用户的二元状态;其中,二元状态为静止状态或活动状态,该第一部分特征包括传感器信号能量和/或传感器信号方差。传感器处理器120提取特征向量之后,利用该特征向量中的部分内容进行一个预判断,确定用户是否处于活动状态。根据该特征向量中的第一部分特征确定用户的二元状态,即为:根据该特征向量中的第一部分特征确定用户是处于静止状态还是处于活动状态。
其中,活动识别器110被配置为基于概率图模型对特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态。
具体地,概率图模型包括隐马尔可夫模型。具体地,活动识别器110在执行在“基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态”的步骤中,使用维特比算法进行行为识别的概率计算。
进一步地,该系统100还包括:调节器,用于根据所确定的用户行为状态对电子计算设备的事件进行预测、更改和/或调整。
根据披露的实施例,一个或多个传感器处理器120可以以大约50Hz或其他频率的采样速率从多个传感器访问/处理感知信号。可以对时域中的原始传感器信号进行预处理以获得该系统的特征向量140(即,观测值)。在某些实现中,从传感器信号中提取的特征可以是信号的能量。在某些实现中,从传感器信号中提取的特征可以是有限时间窗上信号振幅的平均值和方差。
根据披露的实施例,一个或多个传感器处理器120可以生成二元状态。二元状态可以是静止状态或活动状态。一个或多个传感器处理器120可以使用特征向量的部分特征(例如,信号的能量或方差)来确定人们是否处于静止状态。若确定为活动状态(非静止状态),将通过活动识别器110来处理特征向量140,从而确定用户行为状态(人类各个方面的活动),如行走、跑步、骑车、驾车或其它活动。在某些实现中,活动识别器110可能会决定人们是否处于行走状态。在某些实现中,活动识别器110可能会决定人们是否处于骑自行车的状态。
根据披露的实施例,基于概率图形模型160的活动识别器110分析了特征向量140,以确定用户行为状态,即与人类活动相关的一个或多个状态。概率图形模型160被配置为条件依赖性结构,可以包括一个或多个概率图模型160来分析特征向量140。用户行为状态(与人类活动相关的状态)可能包括步行、跑步、骑自行车、开车等等。从状态信息中,一个或多个电子计算设备事件170可以根据确定的状态进行预测、更改、调整和/或调整。在某些实现中,基于位置的应用程序可以根据状态信息调用和调整,例如,基于确定的状态将导航消息显示到前台。在某些实现中,可以控制的其他事件包括定时(例如,基于确定状态延迟/转发地图消息)、更改或调整一个或多个控件(例如,根据确定状态自动调节不同时隙上的位置服务提供商信息,根据确定的状态自动调用/调整电源使用)。
图2示出了本发明基于概率图模型的行为识别方法的一个实施例。该方法包括如下步骤:
S210,获取一个或多个传感器信号;
S220,对所述一个或多个传感器信号进行处理,以从传感器信号的时域数据中提取特征向量;
S230,根据所述特征向量中的第一部分特征确定用户的二元状态,所述二元状态为静止状态或活动状态,所述第一部分特征包括传感器信号能量和/或传感器信号方差;
S240,基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态。
具体地,上述方法可以由上述实施例的基于概率图模型的行为识别系统100执行,在S210中,一个或多个传感器处理器120从一个或多个传感器130获取一个或多个传感器信号。
在S220中,从每个传感器时域中的数据确定一个特征向量。
在S230中,基于所得特征向量中的部分特征确定二元状态,其中状态可以是静止状态或活动状态,特征向量中的部分特征可以是信号的能量或方差。如果人们处于静止状态,则进程返回到S210。如果人们是在活动状态,过程继续S240。
在S240,如果由一个或多个传感器处理器120确定的二元状态不是静止状态而是活动状态,活动识别器110根据特征向量确定用户行为状态(人类各个方面的活动),其中特征向量可以包括信号的能量。
根据披露的实施例,识别人类活动的过程(用户行为识别)采用了概率图形模型。本发明的一大部分工作都是运用隐马尔可夫模型(HMM)。考虑使用HMM来构建一个活动识别器110,现在将根据本发明的一个方面来描述数学分析。
从形式上,假设一组T观测值,并给出HMM参数λ=(π,A,B)。式中,π={πi}为初始状态分布,其中πi=P(q1=Si),1≤i≤N,N为HMM中的隐状态数量;A={aij}为状态转换概率分布,式中,aij=P(qt+1=Sj|qt=Si),1≤i,j≤N);B={bj(ot)}为观测概率分布,式中,bj(ot)=P(ot|qt=Sj),1≤j≤N,1≤t≤T)。
HMM目的是查找与给定观测相关的最佳状态序列上述问题的一种可能答案就是查找单个最佳状态序列(路径),即最大值。使用维特比算法可实现概率计算。维特比算法,也称最大和算法(或最大积算法),用来查找最可能的维特比路径(即最可能的隐状态序列)。
为查找给定观测序列的单个最佳状态序列在时间t处,在单个路径上的最佳得分(最高概率)可表示为
这考察的是前t个观测,结果为状态Si。利用归纳法,令
δt+1(j)=maxi[δt(i)aij]·bj(ot+1)。
为真正检索状态序列,该方法需记录为每个t和j处实现δ最大值的自变量。查找最佳状态序列的完整流程可包括初始化、递归、终止和路径回溯。
在“基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态”的步骤中,使用维特比算法进行行为识别的概率计算。
在步骤S240之后还包括如下步骤:
S250,根据所确定的用户行为状态对电子计算设备的事件进行预测、更改和/或调整。
图3是根据本发明的一个实施例的行为识别方法所提取特征向量随时间的状态变化图,提出观察序列描述活动行为的一个示例方法的图表。在图3的例子中,观测序列在时间内展开。观察序列是在现实生活环境中对道路数据所采取的信号的能量。
图4是根据本发明的一个实施例的行为识别方法所确定的用户行为状态变化图,用于确定与活动行为相关的状态序列的一个示例方法的图表。图4是根据图3示例的观测序列,利用图1中的活动识别器110来确定状态序列。在应用中,实时活动行为的状态可以是行走和驾驶。本发明是一种方法试图揭示模型的隐藏部分,即找到正确的状态序列。显而易见的是,对于除退化模型以外所有模型,没有正确的序列可以找到。因此,在实际情况下,本发明通常采用最优化标准来尽可能地解决问题。
在更为定量的研究中,参见表1,对概率图模型阈值法模型进行性能比较。一方面,对于同等数量的观测,HMM的出错率低于阈值法模型。另一方面,对于长时间复杂的时域观测序列,HMM比阈值法模型对于变化具有更好的稳定性。通常,阈值法模型如果未能按照特定的数据条件进行很好地调整,则无法得到合理性能。相反,HMM提供随机观测之间的条件依存结构,因此识别活动行为较少受到观测时域分割变动的影响。
表1
活动行为识别方法 | 活动行为识别计数 | 出错率(%) |
概率图模型 | 4637 | 0.47 |
阈值法模型 | 4637 | 1.42 |
图5是本发明电子计算设备500的示例框图。电子计算设备500可以是任何类型的设备,如笔记本电脑,平板电脑,智能手机,可穿戴的电子设备以及类似的。电子计算设备500在参照图1至2可执行上述的行为识别。在图5的示例中,电子计算设备500可能包括一个主应用处理器510;一个或多个传感器处理器520,该一个或多个传感器处理器可以是传感器的组件或专用处理器,用于从多个传感器获取和存储数据;一个或多个物理传感器530(例如,加速度计,陀螺仪或类似的);和存储器540,该存储器可与处理器耦合以存储处理器执行的数据或指令,所以它是处理器可读存储器或计算机可读存储器。
其中,本实施例的电子计算设备的一个或多个传感器530、一个或多个传感器处理器520、一个主应用处理器510和一个存储器540在工作时实现上述的基于概率图模型的行为识别方法。
根据所需的配置,主要应用处理器510可以是任何类型,包括但不限于微处理器,数字信号处理器,多核处理器或类似的。内存控制器(未显示)也可与主应用处理器510一起使用,或者在某些实现中,内存控制器可以是主应用处理器510的内部组件。
根据所需的配置,存储器540可以是任何类型,包括但不限于易失性存储器(如RAM)、非易失存储器(如ROM、闪存等)或其任何组合。存储器540可能包括一个或多个应用程序和程序数据。根据披露的实施例,应用程序可以包括一个算法,被安排来确定活动行为。程序数据可以包括可定向到任意数量的数据类型的程序信息。在某些示例实施例中,可以安排应用程序使用操作系统上的程序数据进行操作。
根据披露的实施例,每个传感器530可以与传感器处理器520连接或通信。所述一个或多个传感器处理器520被配置为通过使用比所述主应用处理器510消耗更少的功率来从一个或多个传感器530获取并存储传感器数据。处理从一个或多个传感器530接收到的数据以获得所述时域中的数据的特征向量;以及基于所述部分特征确定二元状态,其中所述状态信息可以是静止和移动。
根据披露的实施例,在某些实现中,一个或多个传感器处理器520可以作为图1中的示例的活动识别器110来执行基于特征向量的活动行为辨识。在这种情况下,主应用处理器510被配置为根据确定的活动状态来更改、调整和/或调整一个或多个电子计算设备事件。在一些实施方式中,主应用处理器510不仅被配置为执行活动行为识别,而且被配置为根据所确定的行为状态执行一个或多个计算机设备事件。
根据披露的实施例,电子计算设备500基于确定的活动行为状态信息可以根据需要调用和/或调整基于位置的应用。例如,该电子计算设备500可以包括显示单元550。主应用处理器510基于所确定的活动行为状态可以执行将导航消息显示带到前台。在其他实施例中,电子计算设备500基于确定的活动行为状态信息可以控制其他事件包括定时(例如,主应用处理器510可以基于确定的状态执行在显示单元550上延迟/提前地图消息),改变或调整一个或多个控制。例如,电子计算设备500可以包括无线子系统560(例如,蜂窝、WiFi、蓝牙)和GNSS单元570。主应用处理器510可以基于所确定的状态根据不同的时间段自动调谐由无线子系统和/或GNSS单元提供的位置。又例如,电子计算设备500可以包括电源单元580。主应用处理器510可以基于所确定的状态自动地调用/调整电源使用。
根据披露的实施例的一个优点是,概率图模型比阈值法模型对长、复杂时态观测序列的变化具有更强的鲁棒性。一般情况下,除非阈值方法模型已高度调整到特定的数据条件,否则无法获得模型的合理性能。与此对比,概率图模型则提供了随机观测之间的条件依赖性结构,因此识别活动行为的准确性不受观测时间分段变化的影响。
本发明实施例还提供了一种存储介质,该存储介质内存储有程序,该程序在被执行时实现上述任一项的基于概率图模型的行为识别方法。
需要说明的是,本实施例中存储介质可以是只读存储器、可存储静态信息和指令的静态存储设备、随机存取存储器、或者可存储信息和指令的动态存储设备,也可以是电可擦可编程只读存储器、只读光盘、或其他光盘存储、光碟存储、磁盘存储介质或者其他磁存储设备。
需要说明的是,本实施例中的程序可被一种或更多编程语言的任何组合来书写,包括面向对象的编程语言,如JAVA、Smalltalk、C++或类似的编程语言,还包括传统的过程编程语言,如“C”编程语言或类似的编程语言。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于概率图模型的行为识别系统,其特征在于,该系统包括:
一个或多个传感器;
一个或多个传感器处理器,所述传感器处理器被配置为对所述一个或多个传感器信号进行处理以从传感器信号的时域数据中提取特征向量,并根据所述特征向量中的第一部分特征确定用户的二元状态;其中,所述二元状态为静止状态或活动状态,所述第一部分特征包括传感器信号能量和/或传感器信号方差;
一个活动识别器,所述活动识别器被配置为基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态。
2.根据权利要求1所述的基于概率图模型的行为识别系统,其特征在于,所述概率图模型包括隐马尔可夫模型。
3.根据权利要求1所述的基于概率图模型的行为识别系统,其特征在于,所述活动识别器在执行在“基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态”的步骤中,使用维特比算法进行行为识别的概率计算。
4.根据权利要求1所述的基于概率图模型的行为识别系统,其特征在于,该系统还包括:
调节器,用于根据所确定的用户行为状态对电子计算设备的事件进行预测、更改和/或调整。
5.一种基于概率图模型的行为识别方法,其特征在于,该方法包括:
获取一个或多个传感器信号;
对所述一个或多个传感器信号进行处理,以从传感器信号的时域数据中提取特征向量;
根据所述特征向量中的第一部分特征确定用户的二元状态,所述二元状态为静止状态或活动状态,所述第一部分特征包括传感器信号能量和/或传感器信号方差;
基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态。
6.根据权利要求5所述的基于概率图模型的行为识别方法,其特征在于,所述概率图模型包括隐马尔可夫模型。
7.根据权利要求5所述的基于概率图模型的行为识别方法,其特征在于,在“基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态”的步骤中,使用维特比算法进行行为识别的概率计算。
8.根据权利要求5所述的基于概率图模型的行为识别方法,其特征在于,在“基于概率图模型对所述特征向量进行分析,以对处于活动状态的用户进行行为识别,确定用户行为状态”之后,还包括如下步骤:
根据所确定的用户行为状态对电子计算设备的事件进行预测、更改和/或调整。
9.一种电子计算设备,其特征在于,该电子计算设备包括:
一个或多个传感器;
一个或多个传感器处理器;
一个处理器;
一个存储器;
所述一个或多个传感器、一个或多个传感器处理器、一个处理器和一个存储器在工作时实现权利要求5至8中任一项所述的基于概率图模型的行为识别方法。
10.一种存储介质,其特征在于,该存储介质内存储有程序,所述程序在被执行时实现权利要求5至8中任一项所述的基于概率图模型的行为识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810019998.8A CN108319960A (zh) | 2018-01-09 | 2018-01-09 | 基于概率图模型的行为识别系统及方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810019998.8A CN108319960A (zh) | 2018-01-09 | 2018-01-09 | 基于概率图模型的行为识别系统及方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108319960A true CN108319960A (zh) | 2018-07-24 |
Family
ID=62894929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810019998.8A Pending CN108319960A (zh) | 2018-01-09 | 2018-01-09 | 基于概率图模型的行为识别系统及方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108319960A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073147A1 (en) * | 2018-10-08 | 2020-04-16 | Qualcomm Incorporated | Vehicle entry detection |
EP3782547A1 (en) * | 2019-08-21 | 2021-02-24 | The Swatch Group Research and Development Ltd | Method and system for gait detection of a person |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030058340A1 (en) * | 2001-09-27 | 2003-03-27 | Koninklijke Philips Electronics N.V. | Video monitoring system employing hierarchical hidden markov model (HMM) event learning and classification |
CN101557506A (zh) * | 2009-05-19 | 2009-10-14 | 浙江工业大学 | 基于计算机视觉的电梯轿厢内暴力行为智能检测装置 |
CN104573665A (zh) * | 2015-01-23 | 2015-04-29 | 北京理工大学 | 一种基于改进维特比算法的连续动作识别方法 |
CN105528613A (zh) * | 2015-11-30 | 2016-04-27 | 南京邮电大学 | 一种基于智能手机gps速度与加速度数据的行为识别方法 |
CN106778652A (zh) * | 2016-12-26 | 2017-05-31 | 东软集团股份有限公司 | 人体活动识别方法及装置 |
-
2018
- 2018-01-09 CN CN201810019998.8A patent/CN108319960A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030058340A1 (en) * | 2001-09-27 | 2003-03-27 | Koninklijke Philips Electronics N.V. | Video monitoring system employing hierarchical hidden markov model (HMM) event learning and classification |
CN101557506A (zh) * | 2009-05-19 | 2009-10-14 | 浙江工业大学 | 基于计算机视觉的电梯轿厢内暴力行为智能检测装置 |
CN104573665A (zh) * | 2015-01-23 | 2015-04-29 | 北京理工大学 | 一种基于改进维特比算法的连续动作识别方法 |
CN105528613A (zh) * | 2015-11-30 | 2016-04-27 | 南京邮电大学 | 一种基于智能手机gps速度与加速度数据的行为识别方法 |
CN106778652A (zh) * | 2016-12-26 | 2017-05-31 | 东软集团股份有限公司 | 人体活动识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
孙泽浩: "基于手机和可穿戴设备的用户活动识别问题研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073147A1 (en) * | 2018-10-08 | 2020-04-16 | Qualcomm Incorporated | Vehicle entry detection |
EP3782547A1 (en) * | 2019-08-21 | 2021-02-24 | The Swatch Group Research and Development Ltd | Method and system for gait detection of a person |
US11540748B2 (en) | 2019-08-21 | 2023-01-03 | The Swatch Group Research And Development Ltd | Method and system for gait detection of a person |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10353476B2 (en) | Efficient gesture processing | |
Gu et al. | Accurate step length estimation for pedestrian dead reckoning localization using stacked autoencoders | |
CN107103754B (zh) | 一种道路交通状况预测方法及系统 | |
CN107635204B (zh) | 一种运动行为辅助的室内融合定位方法及装置、存储介质 | |
Liang et al. | A deep learning model for transportation mode detection based on smartphone sensing data | |
US10539586B2 (en) | Techniques for determination of a motion state of a mobile device | |
US9268399B2 (en) | Adaptive sensor sampling for power efficient context aware inferences | |
US9443202B2 (en) | Adaptation of context models | |
CN109034371B (zh) | 一种深度学习模型推理期加速方法、装置及系统 | |
Asci et al. | A novel input set for LSTM-based transport mode detection | |
US20140143579A1 (en) | Sequential feature computation for power efficient classification | |
US20210080261A1 (en) | Pedestrian adaptive zero-velocity update point selection method based on a neural network | |
WO2018053133A1 (en) | Venue detection | |
CN107582061B (zh) | 一种识别人体运动状态的方法及智能移动设备 | |
Biancat et al. | Review of transportation mode detection techniques | |
CN108319960A (zh) | 基于概率图模型的行为识别系统及方法、设备及存储介质 | |
KR20220059194A (ko) | 대상 객체에 적응적인 객체 추적 방법 및 장치 | |
Solomes et al. | Efficient bird sound detection on the bela embedded system | |
US20160223682A1 (en) | Method and device for activating and deactivating geopositioning devices in moving vehicles | |
Chen | An LSTM recurrent network for step counting | |
JP2018055167A (ja) | 自律移動装置、自律移動方法及びプログラム | |
CN108334833A (zh) | 基于fft模型的行为识别方法及系统、设备及存储介质 | |
WO2018099089A1 (zh) | 一种静止状态的判断方法及装置 | |
Widhalm et al. | Tackling the SHL recognition challenge with phone position detection and nearest neighbour smoothing | |
CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200928 Address after: Room 301, Room 301, No.8, Lane 912, Bibo Road, Pudong New Area, Shanghai Applicant after: UNICORECOMM (SHANGHAI) TECHNOLOGY Co.,Ltd. Applicant after: Hexin Xingtong Technology (Beijing) Co.,Ltd. Address before: 200122 floor 3, 8 lane, 912 lane, Bi Po Road, Pudong New Area, Shanghai. Applicant before: UNICORECOMM (SHANGHAI) TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180724 |