CN108564599B - 一种人体运动速度估计方法 - Google Patents
一种人体运动速度估计方法 Download PDFInfo
- Publication number
- CN108564599B CN108564599B CN201810307782.1A CN201810307782A CN108564599B CN 108564599 B CN108564599 B CN 108564599B CN 201810307782 A CN201810307782 A CN 201810307782A CN 108564599 B CN108564599 B CN 108564599B
- Authority
- CN
- China
- Prior art keywords
- human body
- velocity
- frame
- speed
- node
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
一种人体运动速度估计方法,包括步骤:获取视频图像中的人体结构框架;序列化N个关节点;计算各关节点速度大小和方向,利用连续帧间权重递增法估计下一帧关节点的运动速度;计算人体躯干重心位置,得到当前人体躯干重心的运动速度并作为人体整体运动速度,利用连续帧间权重递增法估计下一帧人体整体运动速度;将人体结构框架划分为6个部位,每个部位包含至少一个关节点;利用提出的关节点‑轴心节点速度法线距离权重法,计算每个部位中的各个关节点的速度,将同一部位中的所有关节点速度乘以权重系数后进行累加得到该部位的运动速度。本发明能够较为精确的估计人体的运动速度,广泛应用于各个行业领域的人体运动分析。
Description
技术领域
本发明属于运动预测技术领域,具体地说是一种人体运动速度估计方 法。
背景技术
近年来,随着深度学习的膨胀式发展,目前基于卷积神经网络的图像 识别已进入激烈竞争阶段,将深度学习用于图像分析的案例越来越多,例 如植物、服饰、人脸等识别。另外随着智慧城市的提出,视频监控必将在 智慧建设中占据重要地位,智能监控将会更多的应用到服务行业、安全设 备中去。通过视频分析人体运动趋势,从而对人体行为做出预测也逐渐引 起众多研究人员的注意,这个课题对于公共安全、生产安全、家居老人安 全等都有重要意义。
发明内容
本发明要解决的技术问题是提供一种人体运动速度估计方法,更加精 确的估计人体运动速度,应用更加广泛。
为了解决上述技术问题,本发明采取以下技术方案:
一种人体运动速度估计方法,包括以下步骤:
S1,获取视频图像中的人体结构框架,人体结构框架上设定N个关节 点;
S2,序列化N个关节点,序列化的数据有[f,j,x,y,θ,v],其中f表示视 频帧,j表示N个关节点的索引值,x表示关节点的横坐标,y表示关节点 的纵坐标,θ表示关节点相对图像X轴正方向的顺时针方向角度,v表示关 节点的速度大小,初始速度为0;
S3,计算关节点j(j∈0,N-1)的速度大小vj和方向θj,利用连续帧间权 重递增法估计下一帧关节点的运动速度;
S4,计算人体躯干重心位置C(x,y),得到当前的人体躯干重心C的 运动速度并作为人体整体运动速度,利用连续帧间权重递增法估计下一帧 人体整体运动速度即人体躯干重心C的运动速度;
S5,将人体结构框架划分为6个部位,每个部位包含至少一个关节点, 分别为首部、右上肢、左上肢、躯干、右下肢和左下肢,每个部位选择一 个关节点设定为轴心节点,同时每个部位中的所有节点都为速度节点;
S6,利用提出的关节点-轴心节点速度法线距离权重法,计算每个部 位中的各个关节点的速度,将同一部位中的所有关节点速度乘以权重系数 后进行累加得到该部位的运动速度。
所述关节点的数量N设为14,具体为{头,颈,左肩,右肩,左肘, 右肘,左腕,右腕,左臀,右臀,左膝,右膝,左脚踝,右脚踝},14个 关节点的索引依次为{0,1,2,3,4,5,6,7,8,9,10,11,12,13}, 其中首部包含关节点{0}、右上肢包含关节点{2,4,6}、左上肢包含关节点{3,5,7}、躯干包含关节点{1,8,9}、右下肢包含关节点{8,10,12}、 左下肢包含关节点{9,11,13}。
所述步骤S3具体为:
通过傅里叶变换将图像坐标转化为相位坐标,
Fj1(u,v)=Fj0(u,v)exp{-n2π(xj0u+yj0v)}
根据傅里叶变换的相位相移特性,关节点j连续两帧之间的相位差为
ΔF(u,v)=Fj0(u,v)-Fj1(u,v)=2π(xj0u+yj0v),
利用连续临近帧权重递增法估计关节点j下一帧的运动速度,计算运 动速度加权平均值,该加权平均值即为下一帧关节点j的估计速度大小 关节点j的速度方向加权平均值同 时更新序列化数据中所有关节点的速度大小和速度方向。
所述步骤S4具体为:
设连续两帧图像人体躯干重心图像函数为fc0(xc0,yc0)、fc1(xc1,yc1),其中,
所述步骤S6具体为:
将同一部位的X轴、Y轴方向的速度乘以权重系数后分别累加,
则vx和vy合成后即为该部位速度,该部位速度的角度为
该部位速度大小为
所述人体躯干重心位置C的计算方法为:计算{颈,左臀,右臀}即关 节点{1,8,9}的几何重心,得到人体重心位置,
所述关节点的速度方向θ,为表示速度方向变化程度,由[0,360°]的变 化范围归一化为[0,1]。
所述采用深度识别VGG卷积神经网络提取视频图像中人体结构框架。
本发明能够更加精确人体运动速度,得到下一步的运动趋势,供研究 参考用,可广泛应用于公共安全、生产安全、日常生活等各个行业领域。
附图说明
附图1为本发明流程示意图;
附图2为人体关节点示意图;
附图3为节点速度权重计算示意图;
附图4为部位计算示意图。
具体实施方式
为能进一步了解本发明的特征、技术手段以及所达到的具体目的、功 能,下面结合附图与具体实施方式对本发明作进一步详细描述。
如附图1-4所示,本发明揭示了一种人体运动速度估计方法,包括以 下步骤:
S1,获取视频图像中的人体结构框架,人体结构框架上设定N个关节 点。可采用深度识别VGG卷积神经网络提取视频图像中人体结构框架。 总共设置14个关节点,具体为{头,颈,左肩,右肩,左肘,右肘,左腕, 右腕,左臀,右臀,左膝,右膝,左脚踝,右脚踝},14个关节点的索引 依次为{0,1,2,3,4,5,6,7,8,9,10,11,12,13},其中首部包 含关节点{0}、右上肢包含关节点{2,4,6}、左上肢包含关节点{3,5, 7}、躯干包含关节点{1,8,9}、右下肢包含关节点{8,10,12}、左下肢 包含关节点{9,11,13}。如下表一所示:
表一
节点索引 | 人体节点 |
0 | 头 |
1 | 颈 |
2 | 左肩 |
3 | 右肩 |
4 | 左肘 |
5 | 右肘 |
6 | 左腕 |
7 | 右腕 |
8 | 左臀 |
9 | 右臀 |
10 | 左膝 |
11 | 右膝 |
12 | 左脚踝 |
13 | 右脚踝 |
S2,序列化14个关节点,序列化的数据有[f,j,x,y,θ,v],其中f表示视 频帧,j表示N个关节点的索引值,x表示关节点的横坐标,y表示关节点 的纵坐标,θ表示关节点相对图像X轴正方向的顺时针方向角度,v表示关 节点的速度大小,初始速度为0。
S3,计算关节点j(j∈0,N-1)的速度大小vj和方向θj,利用连续帧间权 重递增法估计下一帧关节点的运动速度。在视频中连续n帧的人体运动速 度较为接近,帧间越临近速度越接近。
通过傅里叶变换将图像坐标转化为相位坐标,
Fj1(u,v)=Fj0(u,v)exp{-n2π(xj0u+yj0v)}
根据傅里叶变换的相位相移特性,关节点j连续两帧之间的相位差为
ΔF(u,v)=Fj0(u,v)-Fj1(u,v)=2π(xj0u+yj0v),
利用连续临近帧权重递增法估计关节点j下一帧的运动速度,计算运 动速度加权平均值,该加权平均值即为下一帧关节点j的估计速度大小 关节点j的速度方向加权平均值同 时更新序列化数据中所有关节点的速度大小和速度方向。
S4,计算人体躯干重心位置C(x,y),得到当前的人体躯干重心C的 运动速度并作为人体整体运动速度,利用连续帧间权重递增法估计下一帧 人体整体运动速度即人体躯干重心C的运动速度。
S5,将人体结构框架划分为6个部位,每个部位包含至少一个关节点, 分别为首部、右上肢、左上肢、躯干、右下肢和左下肢,每个部位选择一 个关节点设定为轴心节点,同时每个部位中的所有节点都为速度节点。在 本实施例中,首部仅含有一个节点,故首部所包含的0节点即为轴心节点 也为仅有的速度节点;右上肢部位以节点2为轴心节点,节点2、4、6为 速度节点;左上肢部位以节点3为轴心节点,节点3、5、7为速度节点; 右下肢部位以节点8为轴心节点,节点8、10、12为速度节点;左下肢部 位以节点9为轴心节点,节点9、11、13为速度节点;躯干部位以躯干重 心C为轴心节点,节点1、8、9为速度节点。按照上以方式设定轴心节点, 是因为人类运动规律上肢的摆动以左右肩为轴心以类似钟摆形式甩动,且相邻两个关节点以肱骨或尺骨为连杆,左右上肢的运动范围和轴变角度都 局限在一定范围。同理左右下肢也满足与上肢相同的运动规律。躯干和首 部也可近似为轴心运动,摆动位置始终保持垂直向下方向。
利用提出的关节点-轴心节点速度法线距离权重法计算节点的速度权 重。轴心节点为部位速度估算的基准节点,规定轴心节点的速度权重为1。 关节点-轴心节点速度法线距离权重法:将关节点和轴心节点的速度分解 为X、Y轴方向的速度分量,计算关节点X(Y)轴方向速度分量的法线与 轴心节点X(Y)轴方向速度分量的法线之间的距离,并将该距离作为X(Y) 轴方向速度合成时该关节点的速度权重。
以右上肢为例说明速度节点权重计算方法,设轴心节点2的坐标为 (x2,y2),节点4坐标(x4,y4),节点6坐标(x6,y6)。根据连续帧间权重递增法 得到节点2的速度方向θ2,节点4的速度方向θ4,节点6的速度方向θ6。 将节点速度分解为X轴和Y轴方向的速度分量,如图4所示,其中β2y为节 点2速度v2Y轴方向分量v2y的法线,β2x为节点2速度v2X轴方向分量v2x的 法线,β4y为节点4速度v4Y轴方向分量v4y的法线,β4x为节点4速度v4X轴 方向分量v4x的法线,β6y为节点6速度v6Y轴方向分量v6y的法线,β6x为节 点6速度v6X轴方向分量v6x的法线。则节点2、4、6X轴方向的速度分量 权重为β2x、β4x、β6x与轴心节点2X轴方向的法线β2x之间的距离,即为节 点2、4、6的横坐标与轴心节点横坐标之间的距离:
同理可得节点2、4、6在Y轴方向的速度分量权重:
将上述计算方式延伸到其他5个部位,则各关节点在X、Y轴方向的 速度权重可归结为:
其中p为各个部位的轴心节点,p∈P{0,2,3,8,9,躯干部位重心},q各个 部位的所有关节点。人体日常肢体活动的表现形式集中在四肢、首部和躯 干,人的行为可以通过四肢、首部或躯干某一个部位的动作描述,对人体 行为的判断是基于人体肢体动作的分析。
S6,利用提出的关节点-轴心节点速度法线距离权重法,计算每个部 位中的各个关节点的速度,将同一部位中的所有关节点速度乘以权重系数 后进行累加得到该部位的运动速度。
所述步骤S4具体为:
设连续两帧图像人体躯干重心图像函数为fc0(xc0,yc0)、fc1(xc1,yc1),其中,
所述步骤S6具体为:
将同一部位的X轴、Y轴方向的速度乘以权重系数后分别累加,
则vx和vy合成后即为该部位速度,该部位速度的角度为
该部位速度大小为
所述人体躯干重心位置C的计算方法为:计算{颈,左臀,右臀}即关 节点{1,8,9}的几何重心,得到人体重心位置,
所述关节点的速度方向θ,为表示速度方向变化程度,由[0,360°]的变 化范围归一化为[0,1]。
通过以上的计算,可以较为精确的估计到下一帧的人体整体运动速 度,为研究分析提供更加可靠的参考数据。
需要说明的是,以上仅为本发明的优选实施例而已,并不用于限制本 发明,尽管参照实施例对本发明进行了详细的说明,对于本领域的技术人 员来说,其依然可以对前述实施例所记载的技术方案进行修改,或者对其 中部分技术特征进行等同替换,但是凡在本发明的精神和原则之内,所作 的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种人体运动速度估计方法,包括以下步骤:
S1,获取视频图像中的人体结构框架,人体结构框架上设定N个关节点;
S2,序列化N个关节点,序列化的数据有[f,j,x,y,θ,v],其中f表示视频帧,j表示N个关节点的索引值,x表示关节点的横坐标,y表示关节点的纵坐标,θ表示关节点相对图像X轴正方向的顺时针方向角度,v表示关节点的速度大小,初始速度为0;
S3,计算关节点j(j∈[0,N-1])的速度大小vj和方向θj,利用连续帧间权重递增法估计下一帧关节点的运动速度;
S4,计算人体躯干重心位置C(X,Y),得到当前的人体躯干重心C的运动速度并作为人体整体运动速度,利用连续帧间权重递增法估计下一帧人体整体运动速度即人体躯干重心C的运动速度;
S5,将人体结构框架划分为6个部位,每个部位包含至少一个关节点,分别为首部、右上肢、左上肢、躯干、右下肢和左下肢,每个部位选择一个关节点设定为轴心节点,同时每个部位中的所有节点都为速度节点;
S6,利用提出的关节点-轴心节点速度法线距离权重法,计算每个部位中的各个关节点的速度,将同一部位中的所有关节点速度乘以权重系数后进行累加得到该部位的运动速度;
所述步骤S3具体为:
设关节点j连续两帧的图像为fj0(x0,y0)和fj1(x1,y1),则该两帧图像之间坐标满足即fj1(x1,y1)=fj0(x0+Δx,y0+Δy),其中(x0,y0)、(x1,y1)为节点j的图像像素坐标,Δx为x0到x1的X轴坐标偏移量,Δy为y0到y1的Y轴坐标偏移量;
通过傅里叶变换将图像坐标转化为相位坐标,其中(u,v)为对应节点j坐标(x,y)的相位坐标,Fj1(u,v)、Fj0(u,v)分别为fj1(x1,y1)、fj0(x0,y0)对应的相位值,xj0、yj0为节点j的连续两帧中的第一帧像素坐标;
Fj1(u,v)=Fj0(u,v)exp{-n2π(xj0u+yj0v)}
根据傅里叶变换的相位相移特性,关节点j连续两帧之间的相位差为
ΔF(u,v)=Fj0(u,v)-Fj1(u,v)=2π(xj0u+yj0v),
利用连续临近帧权重递增法估计关节点j下一帧的运动速度,计算运动速度加权平均值,该加权平均值即为下一帧关节点j的估计速度大小关节点j的速度方向加权平均值其中n为连续帧数,m∈[1,n]且为整数,vjm为节点j的临近第m帧的速度,θjm为节点j的临近第m帧的运动角度,同时更新序列化数据中所有关节点的速度大小和速度方向;
所述步骤S6具体为:
将同一部位的X轴、Y轴方向的速度乘以权利系数后分别累加,计算X轴、Y轴方向速度的加权平均值,
其中vp为轴心节点p的速度,θp为轴心节点p的速度角度,vqx为同一部位节点集合中节点q沿X轴方向的速度,vqy为同一部位节点集合中节点q沿Y轴方向的速度,θq为同一部位节点集合中节点q的速度方向;
则vx和vy合成后即为该部位速度,该部位速度的角度为
该部位速度大小为
2.根据权利要求1所述的人体运动速度估计方法,其特征在于,所述关节点的数量N设为14,具体为{头,颈,左肩,右肩,左肘,右肘,左腕,右腕,左臀,右臀,左膝,右膝,左脚踝,右脚踝},14个关节点的索引依次为{0,1,2,3,4,5,6,7,8,9,10,11,12,13},其中首部包含关节点{0}、右上肢包含关节点{2,4,6}、左上肢包含关节点{3,5,7}、躯干包含关节点{1,8,9}、右下肢包含关节点{8,10,12}、左下肢包含关节点{9,11,13}。
3.根据权利要求2所述的人体运动速度估计方法,其特征在于,所述步骤S4具体为:
设连续两帧图像人体躯干重心图像函数为fc0(xc0,yc0)、fc1(xc1,yc1),其中(xc0,yc0)、(xc1,yc1)为人体躯干重心图像像素坐标,且
其中(x10,y10)、(x80,y80)、(x90,y90)分别为人体节点1、8、9连续两帧中的前一帧像素坐标,同理(x11,y11)、(x81,y81)、(x91,y91)分别为人体节点1、8、9连续两帧中的后一帧像素坐标,根据连续临近帧权重递增法得到人体整体运动速度大小其中Δt为人体躯干重心C平移位移Δfc(x,y)所用时间,速度方向θ1、θ8、θ9分别为人体节点1、8、9的速度方向,其中经过连续n帧权重递增方法精确估计下一帧人体整体运动速度值和角度,
其中n为连续帧数,m∈[1,n]且为整数,vcm为人体躯干重心C的临近第m帧的速度,θcm为人体躯干重心C的临近第m帧的运动角度,Δfcm(xm,ym)为人体躯干重心C从临近m帧到临近m+1帧的平移位移,Δtm为Δfcm(xm,ym)所用时间,θ1m、θ8m、θ9m分别为人体节点1、8、9在临近m帧的运动角度。
5.根据权利要求4所述的人体运动速度估计方法,其特征在于,所述关节点的速度方向θ,为表示速度方向变化程度,由[0°,360°]的变化范围归一化为[0,1]。
6.根据权利要求5所述的人体运动速度估计方法,其特征在于,采用深度识别VGG卷积神经网络提取视频图像中人体结构框架。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810307782.1A CN108564599B (zh) | 2018-04-08 | 2018-04-08 | 一种人体运动速度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810307782.1A CN108564599B (zh) | 2018-04-08 | 2018-04-08 | 一种人体运动速度估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564599A CN108564599A (zh) | 2018-09-21 |
CN108564599B true CN108564599B (zh) | 2020-11-24 |
Family
ID=63534259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810307782.1A Active CN108564599B (zh) | 2018-04-08 | 2018-04-08 | 一种人体运动速度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564599B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492755B (zh) * | 2018-11-07 | 2022-03-01 | 北京旷视科技有限公司 | 图像处理方法、图像处理装置和计算机可读存储介质 |
CN110561432B (zh) * | 2019-08-30 | 2021-04-23 | 广东省智能制造研究所 | 一种基于人机共融的安全协作方法及装置 |
CN111539352A (zh) * | 2020-04-27 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 一种判断人体关节运动方向的方法及系统 |
CN111899318B (zh) * | 2020-08-13 | 2023-08-25 | 腾讯科技(深圳)有限公司 | 数据的处理方法、装置及计算机可读存储介质 |
CN113229832A (zh) * | 2021-03-24 | 2021-08-10 | 清华大学 | 一种用于获取人体运动信息的系统和方法 |
CN113111808B (zh) * | 2021-04-20 | 2022-03-29 | 山东大学 | 基于机器视觉的异常行为检测方法及系统 |
CN113442139B (zh) * | 2021-06-29 | 2023-04-18 | 山东新一代信息产业技术研究院有限公司 | 基于ros操作系统的机器人速度控制方法及装置 |
CN113433338A (zh) * | 2021-07-02 | 2021-09-24 | 乐聚(深圳)机器人技术有限公司 | 机器人质心速度计算方法、装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335696A (zh) * | 2015-08-26 | 2016-02-17 | 湖南信息职业技术学院 | 一种基于3d异常步态行为检测识别的智能助老机器人及实现方法 |
CN105912985A (zh) * | 2016-04-01 | 2016-08-31 | 上海理工大学 | 基于能量函数的人体骨架关节点的行为动作表示方法 |
CN106528586A (zh) * | 2016-05-13 | 2017-03-22 | 上海理工大学 | 一种人体行为视频识别方法 |
CN107093200A (zh) * | 2017-03-29 | 2017-08-25 | 珠海金山网络游戏科技有限公司 | 一种骨骼蒙皮动画网格表面附加模型的方法 |
CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150089371A (ko) * | 2014-01-27 | 2015-08-05 | 한국전자통신연구원 | 인체 동작 분석 장치 |
US20160258779A1 (en) * | 2015-03-05 | 2016-09-08 | Xsens Holding B.V. | Inertial Motion Capture Calibration |
-
2018
- 2018-04-08 CN CN201810307782.1A patent/CN108564599B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335696A (zh) * | 2015-08-26 | 2016-02-17 | 湖南信息职业技术学院 | 一种基于3d异常步态行为检测识别的智能助老机器人及实现方法 |
CN105912985A (zh) * | 2016-04-01 | 2016-08-31 | 上海理工大学 | 基于能量函数的人体骨架关节点的行为动作表示方法 |
CN106528586A (zh) * | 2016-05-13 | 2017-03-22 | 上海理工大学 | 一种人体行为视频识别方法 |
CN107093200A (zh) * | 2017-03-29 | 2017-08-25 | 珠海金山网络游戏科技有限公司 | 一种骨骼蒙皮动画网格表面附加模型的方法 |
CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
Non-Patent Citations (4)
Title |
---|
Arm movement speed assessment via a Kinect camera: A preliminary study in healthy subjects;Mohamed Elgendi等;《BioMedical Engineering OnLine》;20140627;第1-14页 * |
Research on the Fuzzy Algorithm of Path Planning of Mobile Robot;Guangbing Zhou等;《2017 International Conference on Computer Systems, Electronics and Control (ICCSEC)》;20171227;第633-637页 * |
人体运动合成的关键技术研究;林玲;《万方数据库》;20130918;第1-80页 * |
监控视频中人体目标运动速度的估计;孙鹏等;《警察技术》;20150430(第2期);第68-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108564599A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564599B (zh) | 一种人体运动速度估计方法 | |
CN101599177B (zh) | 一种基于视频的人体肢体运动的跟踪方法 | |
CN104700433A (zh) | 一种基于视觉的实时人体全身体运动捕捉方法及其系统 | |
CN110530365B (zh) | 一种基于自适应卡尔曼滤波的人体姿态估计方法 | |
Mehrizi et al. | Predicting 3-D lower back joint load in lifting: A deep pose estimation approach | |
CN112069933A (zh) | 基于体态识别和人体生物力学的骨骼肌肉受力估计方法 | |
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 | |
CN112257534B (zh) | 一种从视频中估计三维人体姿态的方法 | |
CN107229920B (zh) | 基于整合深度典型时间规整及相关修正的行为识别方法 | |
CN102682452A (zh) | 基于产生式和判别式结合的人体运动跟踪方法 | |
CN104573665A (zh) | 一种基于改进维特比算法的连续动作识别方法 | |
CN104021573A (zh) | 一种基于关节姿态角的人体动作分类识别方法 | |
CN110458046A (zh) | 一种基于关节点提取的人体运动轨迹分析方法 | |
Yoo et al. | Model-driven statistical analysis of human gait motion | |
Amsaprabhaa | Multimodal spatiotemporal skeletal kinematic gait feature fusion for vision-based fall detection | |
CN110458944A (zh) | 一种基于双视角Kinect关节点融合的人体骨架重建方法 | |
CN103235928A (zh) | 一种具有监督机制的步态识别方法 | |
CN102156994B (zh) | 一种单视角无标记人体运动跟踪的关节定位方法 | |
Liu et al. | Gait recognition method of temporal–spatial HOG features in critical separation of Fourier correction points | |
CN111096830A (zh) | 一种基于LightGBM的外骨骼步态预测方法 | |
CN111079481A (zh) | 一种基于二维骨架信息的攻击性行为识别方法 | |
Zhang et al. | Research on pattern recognition of lower limb motion based on convolutional neural network | |
CN109885159B (zh) | 基于正向动力学与希尔模型的状态空间肌电模型构建方法 | |
Wang et al. | Recognition and Difference Analysis of Human Walking Gaits Based on Intelligent Processing of Video Images. | |
Xu | Application analysis of sports robots based on pose recognition and action feature analysis |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 510000 13 building, 100 martyrs Road, Yuexiu District, Guangzhou, Guangdong. Patentee after: Institute of intelligent manufacturing, Guangdong Academy of Sciences Address before: 510000 13 building, 100 martyrs Road, Yuexiu District, Guangzhou, Guangdong. Patentee before: GUANGDONG INSTITUTE OF INTELLIGENT MANUFACTURING |
|
CP01 | Change in the name or title of a patent holder |