CN108549841A - 一种基于深度学习的老人跌倒行为的识别方法 - Google Patents
一种基于深度学习的老人跌倒行为的识别方法 Download PDFInfo
- Publication number
- CN108549841A CN108549841A CN201810233464.5A CN201810233464A CN108549841A CN 108549841 A CN108549841 A CN 108549841A CN 201810233464 A CN201810233464 A CN 201810233464A CN 108549841 A CN108549841 A CN 108549841A
- Authority
- CN
- China
- Prior art keywords
- layer
- identifying
- deep learning
- behavior
- video
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 230000008054 signal transmission Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000000306 recurrent effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000020411 cell activation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000002041 carbon nanotube Substances 0.000 description 1
- 229910021393 carbon nanotube Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的老人跌倒行为的识别方法，基于卷积神经网络与长短时记忆网络构建深度神经网络，使用长短时记忆网络对视频进行建模，通过卷积神经网络提取图像特征，LSTM将底层CNN的输出连接起来作为下一时刻的输入,并最终使用softmax分类器对图像进行识别判断。本发明够针对人体行为通过自适应地选择区域或位置的序列并且仅以图像或视频中高分辨率处理所选择的区域提取信息，将其运用于老人跌倒行为的识别工作中，能够有效识别出老人的跌倒行为，提高行为识别的准确性。
Description
技术领域
本发明涉及一种人体行为的识别方法，尤其是一种基于深度学习的老人跌 倒行为的识别方法，属于视频图像处理技术领域。
背景技术
随着我国老龄化问题越来越严重，养老问题日益成为社会关注的焦点问题。 由于子女不可能一直陪在父母身边，当老人跌倒时，如果不能及时发现，将会 导致很严重的后果。因此，对老人的跌倒行为及时检测并呼叫救援成为了迫切 需要解决的问题。目前，老人跌倒行为检测方法主要采用可穿戴式传感设备， 基于用户的行为数据和行为规律模型构建方法，基于多特征融合的视频监控技 术等方法。这些检测方法对于老人来说，容易忘记佩戴设备，操作繁琐，实时 性不高，且检测方法单一，容易出现误判。
近年来，递归神经网络因其有效的序列建模能力而被广泛应用于视频中的 行为识别。如何将深度学习理论拓展应用至动态视频中对老人的行为进行识别， 是一个至关重要的问题。
发明内容
本发明的目的在于：针对现有技术存在的缺陷，提出一种基于深度学习的 老人跌倒行为的识别方法，基于卷积神经网络与长短时记忆网络(LSTM)构建 深度神经网络，能够针对人体行为通过自适应地选择区域或位置的序列并且仅 以图像或视频中高分辨率处理所选择的区域提取信息，提高视频中的行为识别 的准确率，以达到优秀的识别精度。
为了达到以上目的，本发明提供了一种基于深度学习的老人跌倒行为的识 别方法，其特征在于：包括如下步骤，
步骤1、对视频图像进行预处理，例如去噪、灰度变换等，剔除无关的干 扰信息，便于选取人体特征明显的图像视频样本，即能清晰识别人体动作的视 频样本；
步骤2、将步骤1中的视频样本进行采样，并将得到的采样序列输入卷积 神经网络，通过Softmax分类器完成动作的分类；
步骤3、如果不是跌倒行为，则以原采样率继续进行检测，反之，则逐帧 采样，获取帧序列，将经过特征提取之后的帧序列输入循环神经网络；
步骤4、将步骤3中的输出信息输入Softmax分类器，通过Softmax分类 器识别判断出视频窗口的老人行为是否出现跌倒行为。如果不是，则重复步骤1、 2、3和4，反之，检测到跌倒行为，发出预警信息。
本发明的进一步限定技术方案为：3D卷积神经网络采用的是经典模型 AlexNet。在AlexNet输出结果后需要对结果进行平滑处理，计算公式如下：
其中代表在feature map中第i个卷积核(x,y)坐标处经过了ReLU激活函 数的输出，这个式子的含义就是一个值和它前后的n个值做标准化。k，n，α和 β都是超参数，本文由验证集确定为k＝2,n＝5,α＝10-4,β＝0.75k＝2,n＝5,α＝10- 4,β＝0.75。求和发生在feature map中，相同位置(x,y)的n个相邻kernel map 上。其中N是卷积核的总数，符号max和min是为了表示边缘几层的标准化方式。
输入的图像规模为224*224*3，在经过图像预处理之后，图像规模为 227*227*3。最后经过高斯过滤器得到1000个float型预测值。本文采用最大 值池化法，在卷积层之后仅包含一个单独的最大值池化阶段，接下来是两个共 享权值的全连接层，最后都与softmax层连接。该池化结构具有避免时间信息 的潜在损失的功能。
进一步的，长短时记忆神经网络(LSTM)用来处理卷积神经网络输出的激 活序列，由于视频是动态内容，与产生表现不变的最大汇集相反，我们建议使 用递归神经网络来明确考虑CNN激活序列。由于视频包含动态内容，因此帧之间 的差异可能会编码其他信息，这些信息可用于进行更准确的预测。
假设输入序列x＝(x1,…，xT)，标准循环神经网络隐层向量序列 h＝(h1,K,hT)和输出序列y＝(y1,K,yT)，则有下列关系：
ht＝H(Wihxt+Whhht-1+bh)
yt＝Whoht+bo
其中，W表示连接权重，如Wih表示第i个输入单元到第h个隐藏单元 的连接权重，bh表示第h个隐藏单元的偏置向量，H是激活函数，典型的有sigmoid 函数。
与传统的循环神经网络不同，LSTM使用记忆单元来存储和输出信息，其H函 数可以如下表示：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
其中，σ是回归sigmoid函数，i，f，o和c分别代表输入门，遗忘门，输出 门和单元激活向量。
本发明使用的LSTM结构，共有5个LSTM层，每层有512个记忆单元组成， 在每帧最后由Softmax分类器进行行为预测。输入层是卷积神经网络的输出层。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明提 出的一种基于深度学习的老人跌倒行为的识别方法，通过引入基于卷积神经网 络及长短时记忆网络的深度学习方法，将其运用于老人跌倒行为的识别工作中， 能够有效识别出老人的跌倒行为，提高行为识别的准确性。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明中卷积神经网络的模型框图。
图2是本发明中LSTM的模型框图。
图3是本发明的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范 围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括” 或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部 分，而并未排除其它元件或其它组成部分。
本实施例提供了一种基于深度学习的老人跌倒行为的识别方法，使用LSTM 对视频进行建模，LSTM将底层CNN的输出连接起来作为下一时刻的输入，并最 终使用softmax进行判断。
该方法的具体步骤如下：
步骤1、对视频图像进行预处理，例如去噪、灰度变换等，剔除无关的干 扰信息，便于选取人体特征明显的图像视频样本，即能清晰识别人体动作的视 频样本；
步骤2、将步骤1中的视频样本进行采样，并将得到的采样序列输入卷积 神经网络，通过Softmax分类器完成动作的分类；
步骤3、如果不是跌倒行为，则以原采样率继续进行检测，反之，则逐帧 采样，获取帧序列，将经过特征提取之后的帧序列输入循环神经网络；
步骤4、将步骤3中的输出信息输入Softmax分类器，通过Softmax分类 器识别判断出视频窗口的老人行为是否出现跌倒行为。如果不是，则重复步骤1、 2、3和4，反之，检测到异常行为，发出预警信息。
1.基于3D卷积神经网络的行为特征提取
卷积神经网络(Convolution neural network,CNN)是基于深度学习理论的 一种人工神经网络，其优势在于利用权值共享来减小传统神经网络中的参数膨 胀问题。卷积神经网络使用了经典框架AlexNet，并将其扩展到3D-CNN。3D卷积 通过利用一个3D卷积核对一个堆叠的连续帧形成的视频小片段进行卷积来实现。 通过这个方法，各个卷积层的特征图与上一层中的多个连续帧相连接，并捕获 时域信息。通常，第i层的第j个特征图中位置(x,y,z)的值可以表示为：
其中，p，q和r分别是3D卷积核的高、宽以及时间域上的长度，是3D卷积 核与上一层第m个特征图相连的权值。
如图1所示，输入的图像规模为224*224*3，在经过图像预处理之后，图像 规模为227*227*3。最后经过高斯过滤器得到1000个float型预测值。本文采用 最大值池化法，在卷积层之后仅包含一个单独的最大值池化阶段，接下来是两 个共享权值的全连接层，最后都与softmax层连接。该池化结构具有避免时间信 息的潜在损失的功能。
2.LSTM网络构架
本发明使用循环神经网络来处理卷积神经网络输出的激活序列，由于视频 是动态内容，与产生表现不变的最大汇集相反，我们建议使用递归神经网络来 明确考虑CNN激活序列。由于视频包含动态内容，因此帧之间的差异可能会编码 其他信息，这些信息可用于进行更准确的预测。
假设输入序列x＝(x1,…，xT)，标准循环神经网络隐层向量序列 h＝(h1,K,hT)和输出序列y＝(y1,K,yT)，则有下列关系：
ht＝H(Wihxt+Whhht-1+bh) (2)
yt＝Whoht+bo (3)
其中，W表示连接权重，如Wih表示第i个输入单元到第h个隐藏单元 的连接权重，bh表示第h个隐藏单元的偏置向量，H是激活函数，典型的有sigmoid 函数。
与传统的循环神经网络不同，LSTM使用记忆单元来存储和输出信息，其H函 数可以如下表示：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi) (4)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf) (5)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc) (6)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo) (7)
ht＝ottanh(ct) (8)
其中，σ是回归sigmoid函数，i，f，o和c分别代表输入门，遗忘门，输出 门和单元激活向量。
本发明使用的LSTM结构如图3所示，共有5个LSTM层，每层有512个记忆单 元组成，在每帧最后由Softmax分类器进行行为预测。输入层是卷积神经网络 的输出层。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这 些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导， 可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本 发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本 发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围 意在由权利要求书及其等同形式所限定。
Claims (7)
1.一种基于深度学习的老人跌倒行为的识别方法，其特征在于：包括如下步骤，
步骤1、对视频图像进行预处理，例如去噪、灰度变换等，剔除无关的干扰信息，便于选取人体特征明显的图像视频样本，即能清晰识别人体动作的视频样本；
步骤2、将步骤1中的视频样本进行采样，并将得到的采样序列输入卷积神经网络，通过Softmax分类器完成动作的分类；
步骤3、如果不是跌倒行为，则以原采样率继续进行检测，反之，则逐帧采样，获取帧序列，将经过特征提取之后的帧序列输入循环神经网络；
步骤4、将步骤3中的输出信息输入Softmax分类器，通过Softmax分类器识别判断出视频窗口的老人行为是否出现跌倒行为。如果不是，则重复步骤1、2、3和4，反之，检测到跌倒行为，发出预警信息。
2.根据权利要求1所述的基于深度学习的老人跌倒行为的识别方法，其特征在于：所述深度神经网络依次包括输入层、卷积层、长短时记忆网络层及Softmax分类层；
信号传输过程为：将提取出的图像特征作为训练样本输入卷积层，由卷积层将训练样本转化成对应的激活序列，将各激活序列依时序输入长短时记忆网络层，由长短时记忆网络层输出子序列，并通过Softmax分类层识别行为动作。
3.根据权利要求1所述的基于深度学习的老人跌倒行为的识别方法，其特征在于：所述步骤2中的3D卷积神经网络采用的是经典模型AlexNet，并将其扩展到3D-CNN；通过利用一个3D卷积核对一个堆叠的连续帧形成的视频小片段进行卷积，各个卷积层的特征图与上一层中的多个连续帧相连接，并捕获时域信息；
第i层的第j个特征图中位置(x,y,z)的值可以表示为：
其中，p，q和r分别是3D卷积核的高、宽以及时间域上的长度，是3D卷积核与上一层第m个特征图相连的权值。
4.根据权利要求3所述的基于深度学习的老人跌倒行为的识别方法，其特征在于：所述3D卷积神经网络采用最大值池化法，在每一个卷积层之后仅包含一个单独的最大值池化层，由卷积层输出的特征图作为输入特征图被传送至池化层，由池化层对输入特征图进行压缩，提取主要特征。
5.根据权利要求3所述的基于深度学习的老人跌倒行为的识别方法，其特征在于：在AlexNet输出结果后需要对结果进行平滑处理，计算公式如下：
其中代表在feature map中第i个卷积核(x,y)坐标处经过了ReLU激活函数的输出，本式的含义为一个值和它前后的n个值做标准化；k，n，α和β均为超参数；求和发生在feature map中，相同位置(x,y)的n个相邻kernel map上，其中N是卷积核的总数，符号max和min是为了表示边缘几层的标准化方式。
6.根据权利要求1所述的基于深度学习的老人跌倒行为的识别方法，其特征在于：所述长短时记忆网络包括5个LSTM层，每层由512个记忆单元组成，各个记忆单元分别包括依次相连的输入门、遗忘门、cell及输出门；每帧依次经过长短时记忆网络层处理后所得图像特征由Softmax分类器进行分类，对行为作出识别并预测。
7.根据权利要求6所述的基于深度学习的老人跌倒行为的识别方法，其特征在于：所述长短时记忆网络使用记忆单元来存储和输出信息，其H函数可以如下表示：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi) (4)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf) (5)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc) (6)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo) (7)
ht＝ottanh(ct) (8)
其中，σ是回归sigmoid函数，i，f，o和c分别代表输入门，遗忘门，输出门和记忆单元激活向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810233464.5A CN108549841A (zh) | 2018-03-21 | 2018-03-21 | 一种基于深度学习的老人跌倒行为的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810233464.5A CN108549841A (zh) | 2018-03-21 | 2018-03-21 | 一种基于深度学习的老人跌倒行为的识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108549841A true CN108549841A (zh) | 2018-09-18 |
Family
ID=63516888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810233464.5A Pending CN108549841A (zh) | 2018-03-21 | 2018-03-21 | 一种基于深度学习的老人跌倒行为的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108549841A (zh) |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109394229A (zh) * | 2018-11-22 | 2019-03-01 | 九牧厨卫股份有限公司 | 一种跌倒检测方法、装置及系统 |
| CN109583942A (zh) * | 2018-11-07 | 2019-04-05 | 浙江工业大学 | 一种基于密集网络的多任务卷积神经网络顾客行为分析方法 |
| CN109740419A (zh) * | 2018-11-22 | 2019-05-10 | 东南大学 | 一种基于Attention-LSTM网络的视频行为识别方法 |
| CN109903522A (zh) * | 2019-01-24 | 2019-06-18 | 珠海格力电器股份有限公司 | 一种监控方法、装置、存储介质及家用电器 |
| CN109920208A (zh) * | 2019-01-31 | 2019-06-21 | 深圳绿米联创科技有限公司 | 跌倒预测方法、装置、电子设备及系统 |
| CN110020882A (zh) * | 2018-12-11 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 一种事件预测方法和装置 |
| CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络动态识别系统 |
| CN110215212A (zh) * | 2019-04-19 | 2019-09-10 | 福州大学 | 一种基于低分辨率红外热成像的智能跌倒检测系统 |
| CN110427834A (zh) * | 2019-07-10 | 2019-11-08 | 上海工程技术大学 | 一种基于骨架数据的行为识别系统及方法 |
| CN110517329A (zh) * | 2019-08-12 | 2019-11-29 | 北京邮电大学 | 一种基于语义分析的深度学习图像压缩方法 |
| CN110942009A (zh) * | 2019-11-22 | 2020-03-31 | 南京甄视智能科技有限公司 | 基于时空混合卷积网络的跌倒检测方法与系统 |
| CN111227839A (zh) * | 2020-01-19 | 2020-06-05 | 中国电子科技集团公司电子科学研究院 | 一种行为识别方法及装置 |
| CN111259919A (zh) * | 2018-11-30 | 2020-06-09 | 杭州海康威视数字技术股份有限公司 | 一种视频分类方法、装置及设备、存储介质 |
| CN111436944A (zh) * | 2020-04-20 | 2020-07-24 | 电子科技大学 | 一种基于智能移动终端的跌倒检测方法 |
| CN111507182A (zh) * | 2020-03-11 | 2020-08-07 | 杭州电子科技大学 | 基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法 |
| CN111967522A (zh) * | 2020-08-19 | 2020-11-20 | 南京图格医疗科技有限公司 | 一种基于漏斗卷积结构的图像序列分类方法 |
| CN111985318A (zh) * | 2020-07-13 | 2020-11-24 | 安徽师范大学 | 一种基于机器视觉下cnn-lstm的小鼠取食行为表征方法 |
| CN112084899A (zh) * | 2020-08-25 | 2020-12-15 | 广东工业大学 | 一种基于深度学习的跌倒事件检测方法和系统 |
| CN112163564A (zh) * | 2020-10-26 | 2021-01-01 | 燕山大学 | 基于人体关键点行为识别与lstm的跌倒预判方法 |
| CN112364695A (zh) * | 2020-10-13 | 2021-02-12 | 杭州城市大数据运营有限公司 | 一种行为预测方法、装置、计算机设备和存储介质 |
| CN112998697A (zh) * | 2021-02-22 | 2021-06-22 | 电子科技大学 | 一种基于骨架数据的跌倒伤害程度预测方法、系统及终端 |
| CN113361631A (zh) * | 2021-06-25 | 2021-09-07 | 海南电网有限责任公司电力科学研究院 | 基于迁移学习的绝缘子老化光谱分类方法 |
| CN113920588A (zh) * | 2021-11-03 | 2022-01-11 | 首都体育学院 | 一种在运动行为中识别跌倒事件的深度三维卷积神经网络检测方法 |
| CN114495682A (zh) * | 2022-03-07 | 2022-05-13 | 郑州大学 | 一种基于机器学习的老年人智能教育系统 |
| CN117315886A (zh) * | 2023-09-07 | 2023-12-29 | 安徽建筑大学 | 一种基于uwb雷达的人员即将跌倒检测方法及装置 |
| CN117854143A (zh) * | 2023-12-15 | 2024-04-09 | 深圳联恒智控科技有限公司 | 一种基于智能门锁的异常行为识别方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220604A (zh) * | 2017-05-18 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于视频的跌倒检测方法 |
| CN107451552A (zh) * | 2017-07-25 | 2017-12-08 | 北京联合大学 | 一种基于3d‑cnn和卷积lstm的手势识别方法 |
| CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
| CN107679491A (zh) * | 2017-09-29 | 2018-02-09 | 华中师范大学 | 一种融合多模态数据的3d卷积神经网络手语识别方法 |
-
2018
- 2018-03-21 CN CN201810233464.5A patent/CN108549841A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220604A (zh) * | 2017-05-18 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于视频的跌倒检测方法 |
| CN107451552A (zh) * | 2017-07-25 | 2017-12-08 | 北京联合大学 | 一种基于3d‑cnn和卷积lstm的手势识别方法 |
| CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
| CN107679491A (zh) * | 2017-09-29 | 2018-02-09 | 华中师范大学 | 一种融合多模态数据的3d卷积神经网络手语识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| ALEX KRIZHEVSKY等: "ImageNet Classification with Deep Convolutional Neural Networks", 《CURRAN ASSOCIATES INC》 * |
Cited By (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583942A (zh) * | 2018-11-07 | 2019-04-05 | 浙江工业大学 | 一种基于密集网络的多任务卷积神经网络顾客行为分析方法 |
| CN109740419A (zh) * | 2018-11-22 | 2019-05-10 | 东南大学 | 一种基于Attention-LSTM网络的视频行为识别方法 |
| CN109394229A (zh) * | 2018-11-22 | 2019-03-01 | 九牧厨卫股份有限公司 | 一种跌倒检测方法、装置及系统 |
| CN111259919A (zh) * | 2018-11-30 | 2020-06-09 | 杭州海康威视数字技术股份有限公司 | 一种视频分类方法、装置及设备、存储介质 |
| CN111259919B (zh) * | 2018-11-30 | 2024-01-23 | 杭州海康威视数字技术股份有限公司 | 一种视频分类方法、装置及设备、存储介质 |
| CN110020882A (zh) * | 2018-12-11 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 一种事件预测方法和装置 |
| CN109903522A (zh) * | 2019-01-24 | 2019-06-18 | 珠海格力电器股份有限公司 | 一种监控方法、装置、存储介质及家用电器 |
| CN109920208A (zh) * | 2019-01-31 | 2019-06-21 | 深圳绿米联创科技有限公司 | 跌倒预测方法、装置、电子设备及系统 |
| CN110215212A (zh) * | 2019-04-19 | 2019-09-10 | 福州大学 | 一种基于低分辨率红外热成像的智能跌倒检测系统 |
| CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络动态识别系统 |
| CN110427834A (zh) * | 2019-07-10 | 2019-11-08 | 上海工程技术大学 | 一种基于骨架数据的行为识别系统及方法 |
| CN110517329A (zh) * | 2019-08-12 | 2019-11-29 | 北京邮电大学 | 一种基于语义分析的深度学习图像压缩方法 |
| CN110517329B (zh) * | 2019-08-12 | 2021-05-14 | 北京邮电大学 | 一种基于语义分析的深度学习图像压缩方法 |
| CN110942009A (zh) * | 2019-11-22 | 2020-03-31 | 南京甄视智能科技有限公司 | 基于时空混合卷积网络的跌倒检测方法与系统 |
| CN111227839A (zh) * | 2020-01-19 | 2020-06-05 | 中国电子科技集团公司电子科学研究院 | 一种行为识别方法及装置 |
| CN111227839B (zh) * | 2020-01-19 | 2023-08-18 | 中国电子科技集团公司电子科学研究院 | 一种行为识别方法及装置 |
| CN111507182A (zh) * | 2020-03-11 | 2020-08-07 | 杭州电子科技大学 | 基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法 |
| CN111436944A (zh) * | 2020-04-20 | 2020-07-24 | 电子科技大学 | 一种基于智能移动终端的跌倒检测方法 |
| WO2021212883A1 (zh) * | 2020-04-20 | 2021-10-28 | 电子科技大学 | 一种基于智能移动终端的跌倒检测方法 |
| CN111985318A (zh) * | 2020-07-13 | 2020-11-24 | 安徽师范大学 | 一种基于机器视觉下cnn-lstm的小鼠取食行为表征方法 |
| CN111967522B (zh) * | 2020-08-19 | 2022-02-25 | 南京图格医疗科技有限公司 | 一种基于漏斗卷积结构的图像序列分类方法 |
| CN111967522A (zh) * | 2020-08-19 | 2020-11-20 | 南京图格医疗科技有限公司 | 一种基于漏斗卷积结构的图像序列分类方法 |
| CN112084899A (zh) * | 2020-08-25 | 2020-12-15 | 广东工业大学 | 一种基于深度学习的跌倒事件检测方法和系统 |
| CN112364695A (zh) * | 2020-10-13 | 2021-02-12 | 杭州城市大数据运营有限公司 | 一种行为预测方法、装置、计算机设备和存储介质 |
| CN112163564A (zh) * | 2020-10-26 | 2021-01-01 | 燕山大学 | 基于人体关键点行为识别与lstm的跌倒预判方法 |
| CN112163564B (zh) * | 2020-10-26 | 2022-05-17 | 燕山大学 | 基于人体关键点行为识别与lstm的跌倒预判方法 |
| CN112998697A (zh) * | 2021-02-22 | 2021-06-22 | 电子科技大学 | 一种基于骨架数据的跌倒伤害程度预测方法、系统及终端 |
| CN112998697B (zh) * | 2021-02-22 | 2022-06-14 | 电子科技大学 | 一种基于骨架数据的跌倒伤害程度预测方法、系统及终端 |
| CN113361631A (zh) * | 2021-06-25 | 2021-09-07 | 海南电网有限责任公司电力科学研究院 | 基于迁移学习的绝缘子老化光谱分类方法 |
| CN113920588A (zh) * | 2021-11-03 | 2022-01-11 | 首都体育学院 | 一种在运动行为中识别跌倒事件的深度三维卷积神经网络检测方法 |
| CN114495682A (zh) * | 2022-03-07 | 2022-05-13 | 郑州大学 | 一种基于机器学习的老年人智能教育系统 |
| CN114495682B (zh) * | 2022-03-07 | 2023-08-15 | 郑州大学 | 一种基于机器学习的老年人智能教育系统 |
| CN117315886A (zh) * | 2023-09-07 | 2023-12-29 | 安徽建筑大学 | 一种基于uwb雷达的人员即将跌倒检测方法及装置 |
| CN117315886B (zh) * | 2023-09-07 | 2024-04-12 | 安徽建筑大学 | 一种基于uwb雷达的人员即将跌倒检测方法及装置 |
| CN117854143A (zh) * | 2023-12-15 | 2024-04-09 | 深圳联恒智控科技有限公司 | 一种基于智能门锁的异常行为识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108549841A (zh) | 一种基于深度学习的老人跌倒行为的识别方法 | |
| CN108133188B (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
| CN107316307B (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
| CN107506740B (zh) | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 | |
| CN109670548B (zh) | 基于改进lstm-cnn的多尺寸输入har算法 | |
| CN110503063B (zh) | 基于沙漏卷积自动编码神经网络的跌倒检测方法 | |
| Deng et al. | Amae: Adaptive motion-agnostic encoder for event-based object classification | |
| CN109993100B (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
| CN107506692A (zh) | 一种基于深度学习的密集人群计数与人员分布估计方法 | |
| CN110321805B (zh) | 一种基于时序关系推理的动态表情识别方法 | |
| CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
| CN108563977A (zh) | 一种高速公路出入口的行人预警方法及系统 | |
| CN113688761B (zh) | 一种基于图像序列的行人行为类别检测方法 | |
| CN111145145A (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
| CN111967361A (zh) | 一种基于婴儿表情识别与哭声的情绪检测方法 | |
| CN109886102A (zh) | 一种基于深度图像的跌倒行为时空域检测方法 | |
| Elshwemy et al. | A New Approach for Thermal Vision based Fall Detection Using Residual Autoencoder. | |
| Monigari et al. | Plant leaf disease prediction | |
| CN117154256A (zh) | 锂电池的电化学修复方法 | |
| CN109993282B (zh) | 一种台风波及范围的预测方法 | |
| CN116864128A (zh) | 基于身体活动行为模式监测的心理状态评估系统及其方法 | |
| CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
| Annamalai et al. | EvAn: Neuromorphic event-based sparse anomaly detection | |
| Masilamani et al. | Art classification with pytorch using transfer learning | |
| CN112101095B (zh) | 基于语言和肢体特征的自杀和暴力倾向情感识别方法 |
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: 20180918 |