CN108664887A - 一种虚拟现实体验中的摔倒预警装置和方法 - Google Patents
一种虚拟现实体验中的摔倒预警装置和方法 Download PDFInfo
- Publication number
- CN108664887A CN108664887A CN201810231544.7A CN201810231544A CN108664887A CN 108664887 A CN108664887 A CN 108664887A CN 201810231544 A CN201810231544 A CN 201810231544A CN 108664887 A CN108664887 A CN 108664887A
- Authority
- CN
- China
- Prior art keywords
- user
- posture
- risk
- falls
- virtual reality
- 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras
Abstract
本发明请求保护一种虚拟现实体验中的摔倒预警装置和方法,主要涉及机器学习及虚拟现实领域。本发明通过机器学习算法训练出能识别用户姿态动作的姿态分类程序,并将用户的实时姿态提取特征值后作为分类程序的输入数据,输出结果为用户实时的摔倒风险概率,当摔倒风险过高或是已经摔倒时,装置会发出警报。在特征值的处理上,使用具有骨架信息提取功能的深度传感器,提取人体运动时起主要作用的20个关节点,特征值空间向量的选取以人体重心点为坐标原点,以竖直方向为Z轴,以用户面对的方向为Y轴,手臂伸展的方向为X轴。每一帧画面的20个关节点空间向量作为一组特征值。特征提取完成后,将特征值数据输入分类程序即可得到摔倒风险概率。
Description
技术领域
本发明属于虚拟现实(Virtual Reality,简称VR)以及机器学习(MachineLearning,简称ML)领域,尤其涉及一种虚拟现实体验中的摔倒预测方式,及其采用机器学习技术的实现方法。
背景技术
随着虚拟现实技术的不断发展和设备成本的不断降低,虚拟现实已经逐渐走入了人们的学习、工作和娱乐。但是由于沉浸式虚拟现实体验中用户无法观察周围真实环境的特性,加之虚拟现实眩晕现象的存在,不仅使得人们在沉浸式虚拟现实体验中的舒适感大大降低,严重时还会由于眩晕和空间感错位使用户摔倒,造成安全事故。因此急需一种应用于虚拟现实体验中,可以实时有效地对用户摔倒行为进行预测并提醒的方法。
机器学习是一类具有自学习能力的程序,通过构造或选用合适的算法,可以从输入的数据中获取经验,并对之后输入的数据进行判断。机器学习的应用场景非常广泛,在人脸识别、手势识别、运动识别等领域都有机器学习的身影,在本发明中,使用机器学习方法对虚拟现实用户的姿态数据进行分析处理,划分危险等级,并对可能造成用户摔倒的危险动作进行预警。
目前在虚拟现实用户保护方面的应用方案较少,摔倒预测方面的发明方法更是寥寥无几。公开号为CN105204625A的中国发明专利公开了一种基于视频监控技术的虚拟现实用户保护方法,采用预设用户动作和障碍物位置的方式,确定用户移动的安全范围;公开号为CN105913613A的中国发明专利公开了一种基于用户兴趣的摔倒预测方法,事先提取视频范围内的用户可能感兴趣的物体,当用户往物体方向运动时即开启摔倒警报,面向的用户群体是婴幼儿。
综上所述,目前仅有的少数用户安全保护方案,基本都是采用摄像头进行图像捕捉,预先划分危险区域,若用户进入危险区域则被动预警。主要存在以下缺点:(1)实际应用中若用户活动区域发生变化(如物品移动),则保护机制失效。(2)实际应用中用户可能面临多种安全隐患(如碰撞、摔倒),但目前的方法适用情况过于狭窄,只能用于碰撞预警或是单一用户群体的摔倒预警。(3)基于预设危险区域的方法具有很大的偶然性,所谓的“安全”和“危险”都是预设的,无法响应实时的环境变化,只在预警精度要求不高的情景下适用。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种提高了识别的精度的虚拟现实体验中的摔倒预警装置及方法。本发明的技术方案如下:
一种虚拟现实体验中的摔倒预警装置,其包括:
用户姿态数据获取单元,用于获取摄像头及深度传感器拍摄范围内用户的实时骨架信息;
姿态动作识别单元,用于根据用户的实时骨架信息分析用户的实时姿态并进行姿态分类,判断用户是否具有摔倒风险;
摔倒风险计算单元,用于根据姿态分类的结果,当有摔倒风险时计算用户实时姿态的摔倒风险;
摔倒风险反馈单元,用于实时处理摔倒风险的计算结果,并且在姿态分类结果为危险时,对用户发出警报;
虚拟现实体验单元,用于提高用户的虚拟现实体验环境,并接收摔倒风险反馈单元传送的数据,实时显示摔倒风险的计算结果,并且在姿态分类结果为危险时,对用户发出警报。
进一步的,所述用户姿态数据获取单元包括:图像采集模块,用于获取包括用户身体姿态信息在内的视频图像;图像处理模块,用于将上述图像采集模块获取的视频图像进行背景差分和特征提取,获取用户骨架数据信息。
进一步的,所述摔倒风险计算单元包括:数据处理模块,用于接收来自于姿态动作识别单元的分类结果;摔倒风险计算模块,用于实时处理摔倒风险的计算结果,若姿态分类结果为危险,则根据此姿态20个关节点位置及用户重心位置,计算此姿态的摔倒风险,若姿态分类结果为相对安全,则不进行摔倒风险的计算。
进一步的,所述摔倒风险反馈单元包括:数据接收模块,用于为姿态动作分类单元、摔倒风险计算单元以及虚拟现实体验单元提供数据接口,用于接收从姿态识别单元的姿态分类结果、摔倒风险计算单元计算后的风险数据,发送警报指令给虚拟现实体验单元;风险反馈模块,用于当接收到被识别为“危险”的姿态数据时,向用户发出警报。
进一步的,所述虚拟现实体验单元包括:游戏体验模块,用于提供一个简单的虚拟现实场景,具有包括用户位移、姿态交互在内的功能;指令接收模块,用于作为摔倒风险反馈单元与本单元的数据接口,用于接收摔倒风险反馈单元发送的警报指令,并对游戏体验模块的虚拟现实场景加以改变,起到预警的效果。
一种虚拟现实体验中的摔倒预警方法,其包括以下步骤:
使用人体摔倒姿态数据集训练分类器;
获取用户在虚拟现实体验前平衡状态下的身体姿态数据并保存于数据库;
获取用户在虚拟现实体验中实时动作姿态的骨架信息,并提取20个主要关节点和重心位置作为特征值;
根据特征值输入分类器后输出的分类结果,确定用户的实时姿态是否有摔倒风险;
根据分类器的分类结果,确定是否对用户发出提示信息;
若分类结果为“危险”则直接在虚拟现实系统中发出提示信息;若分类结果为“相对安全”,则计算此姿态的风险程度,当风险程度高于设定的阈值时,在虚拟现实系统中发出提示信息。
进一步的,所述根据特征值输入分类器后输出的分类结果,确定用户的实时姿态是否有摔倒风险,具体包括:
判断用户在虚拟现实体验中某一时刻的姿态是否具有摔倒风险,即将此姿态的骨架信息特征值输入分类器,分类器的输出结果为此姿态与摔倒姿态的拟合程度;
若分类器输出结果大于设定值,则确定用户此姿态与摔倒时的姿态拟合程度较高,分类结果为危险,用户具有摔倒风险;
进一步的,所述根据姿态动作分类器的分类结果,确定是否对用户发出提示信息,包括:
若用户的姿态特征值经分类器后输出结果大于设定值,则确定用户具有摔倒风险,对用户发出提示信息;
若用户的姿态特征值经分类器后输出结果小于设定值,则用户姿态与人体摔倒姿态拟合程度不高,将此姿态与用户平衡状态下的身体姿态进行比对,如果与平衡姿态的相似度低于设定值,则确定用户具有摔倒风险,对用户发出提示信息。
进一步的,所述姿态动作分类器基于机器学习算法,使用人体摔倒姿态数据集进行训练。
进一步的,所述基于机器学习算法采用基于支持向量机的分类算法。
本发明的优点及有益效果如下:
本发明不同于现有的采用模板匹配方式进行姿态判断的方法,而是采用机器学习算法构建人体姿态分类器。首先,通过大量人体姿态数据的训练,使得分类器具有自动分类识别的能力大幅提高了识别的精度;然后将用户的实时姿态数据由深度传感器进行提取和处理,显著提升了姿态识别的速度。最后,由于机器学习算法的强泛化能力,本发明可以对用户的所有动作姿态进行摔倒风险判断,而不仅是现有方法中预设好的有限的姿态,从而实现用户在虚拟现实体验中的摔倒预测和及时提示。
附图说明
图1是本发明提供优选实施例系统结构框图;
图2是本发明实现虚拟现实体验中的摔倒预测方法的流程图;
图3是本发明中所用人体姿态分类器的结构框图;
图4是本发明中所用姿态识别算法的流程图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
图1是本发明装置实施例的系统结构框图,虚拟现实体验中的摔倒预测装置包括:用户姿态数据获取单元、数据存储单元、姿态动作识别系统、摔倒风险计算单元、摔倒风险反馈单元和虚拟现实原型系统。如图1所示,虚拟现实体验中的用户摔倒预测装置具体可以为配置了深度传感器的PC机、游戏主机、智能手机等支持虚拟现实功能及具有一定计算能力的设备。
用户姿态数据获取单元A1和图像采集模块A11、图像处理模块A12,A11以一定的时间间隔拍摄含有用户动作姿态的图像并存储,A12使用背景差分、特征提取等方式将摄像头拍摄到的RGB彩色人体图像转换为骨架信息图像,并将人体骨架主要关节点的相对位置及角度信息存储到数据库中供其他模块调用。
姿态动作识别单元A2和姿态动作分类模块A21,调用数据库中的人体骨架数据,提取出姿态动作分类器所需的特征值。特征值输入姿态动作分类器后,预处理完成的分类算法对其进行分类。如果分类结果为安全,则直接进行后续数据的分类;如果分类结果为风险,则将特征值传入摔倒风险计算单元。
摔倒风险计算单元A3和数据处理模块A31、摔倒风险计算模块A32,A31接收由姿态动作分类器A21传输的危险动作数据的特征值,A32根据平衡状态下人体重心及主要关节点相对位置的计算公式对特征值进行计算,结合分类器A21的结果,估计动作的危险系数。
摔倒风险反馈单元A4和数据接收模块A41、风险反馈模块A42,当摔倒风险计算单元A3得出某一动作的危险系数后,由A41将数据读取并传输到A42,再由A42对下一单元执行相应的指令。
虚拟现实体验单元A5和游戏体验模块A51、指令接收模块A52。A51是用户直接使用的沉浸式虚拟现实体验系统,当用户出现危险姿态时单元A4发送指令到A52,使得A51的虚拟现实场景发生变化(如场景变暗、弹出警告提示框等),从而实现对用户的摔倒预警。
图2是本发明实现虚拟现实体验中的摔倒预测方法的流程图,本实施提供一种虚拟现实体验中的摔倒预测方法。
B1:由摄像头获取用户初始平衡状态下的姿态图像,经深度传感器提取出骨架信息及主要关节点和重心的相对位置,得到用户的平衡状态下的姿态数据。
B2:B1设置完成后,用户开始虚拟现实体验,由用户姿态获取单元继续捕捉用户的实时动作,逐帧将姿态数据传入用户姿态动作分类器。
B3:根据分类算法将获取的姿态数据分类,对分类结果为“非危险”的姿态数据进行标记,并将其传入风险计算单元;若分类结果为“危险”,则直接对虚拟现实体验单元发送警报指令。
B4:计算分类结果为“非危险”的姿态数据的风险程度。使用B1中获取的用户平衡状态下的姿态数据,计算各关节点与重心的相对位置,和被标记为“安全”的姿态数据进行比对,与平衡状态相差越大则风险级别越高。
B5:根据姿态的风险级别,控制虚拟现实环境发生相应的变化,显示出相应的预警信息。
图3是本发明姿态动作分类器的结构框图。
骨架信息提取单元C1和骨架信息提取模块C11,提取用户实时姿态的骨架关节点位置信息,转化成数据格式并通过数据接口存储到数据库中。
特征提取单元C2,从数据库中提取姿态骨架数据,提取出全身主要关节点和重心的位置作为特征值。特征值空间向量的选取以人体重心点为坐标原点,以竖直方向为Z轴,以用户面对的方向为Y轴,手臂伸展的方向为X轴。每一帧画面的20个关节点空间向量作为一组特征值。特征提取完成后,将特征值数据输入数据存储单元。
姿态分类单元C3,获取C41传入的特征值,作为已训练完成的分类算法的输入数据,经算法分类得到输出结果,即姿态是“危险”还是“安全”。
数据存储单元C4和数据接口C41,存储获取的骨架信息以及特征值。其他各单元、模块的数据存储,读取皆通过C41完成。
图4是本发明姿态动作分类器的算法流程图。本实施例使用了一种基于支持向量机(SVM)的分类算法。
D1:使用数据样本输入Linear核函数,求解超平面ωTx+b=0,其中ω和x都是n维列向量,x为平面上的点,ω为平面上的法向量,决定超平面的方向,b是一个实数,代表超平面到原点的距离。且有
x=(x1,x2,…,xd)T
ω=(ω1,ω2,…,ωd)T
重复输入数据样本直到输出结果稳定且g(v)=ων+b最大时,求得最佳超平面,分类算法训练完成。
D2:用户实时动作姿态输入
D3:提取每帧动作对应的20个关节点信息作为一组空间向量特征值。
D4:特征值作为分类算法的输入,输出实时姿态的安全度。
D5:高于设定值则判定为风险待定,低于设定值则判定为危险。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (10)
1.一种虚拟现实体验中的摔倒预警装置,其特征在于,包括:
用户姿态数据获取单元,用于获取摄像头及深度传感器拍摄范围内用户的实时骨架信息;
姿态动作识别单元,用于根据用户的实时骨架信息分析用户的实时姿态并进行姿态分类,判断用户是否具有摔倒风险;
摔倒风险计算单元,用于根据姿态分类的结果,当有摔倒风险时计算用户实时姿态的摔倒风险;
摔倒风险反馈单元,用于实时处理摔倒风险的计算结果,并且在姿态分类结果为危险时,对用户发出警报;
虚拟现实体验单元,用于提高用户的虚拟现实体验环境,并接收摔倒风险反馈单元传送的数据,实时显示摔倒风险的计算结果,并且在姿态分类结果为危险时,对用户发出警报。
2.根据权利要求1所述的虚拟现实体验中的摔倒预警装置,其特征在于,
所述用户姿态数据获取单元包括:图像采集模块,用于获取包括用户身体姿态信息在内的视频图像;图像处理模块,用于将上述图像采集模块获取的视频图像进行背景差分和特征提取,获取用户骨架数据信息。
3.根据权利要求1所述的虚拟现实体验中的摔倒预警装置,其特征在于,所述摔倒风险计算单元包括:数据处理模块,用于接收来自于姿态动作识别单元的分类结果;摔倒风险计算模块,用于实时处理摔倒风险的计算结果,若姿态分类结果为危险,则根据此姿态20个关节点位置及用户重心位置,计算此姿态的摔倒风险,若姿态分类结果为相对安全,则不进行摔倒风险的计算。
4.根据权利要求1所述的虚拟现实体验中的摔倒预警装置,其特征在于,
所述摔倒风险反馈单元包括:数据接收模块,用于为姿态动作分类单元、摔倒风险计算单元以及虚拟现实体验单元提供数据接口,用于接收从姿态识别单元的姿态分类结果、摔倒风险计算单元计算后的风险数据,发送警报指令给虚拟现实体验单元;风险反馈模块,用于当接收到被识别为“危险”的姿态数据时,向用户发出警报。
5.根据权利要求1所述的虚拟现实体验中的摔倒预警装置,其特征在于,所述虚拟现实体验单元包括:游戏体验模块,用于提供一个简单的虚拟现实场景,具有包括用户位移、姿态交互在内的功能;指令接收模块,用于作为摔倒风险反馈单元与本单元的数据接口,用于接收摔倒风险反馈单元发送的警报指令,并对游戏体验模块的虚拟现实场景加以改变,起到预警的效果。
6.一种虚拟现实体验中的摔倒预警方法,其特征在于,包括以下步骤:
使用人体摔倒姿态数据集训练分类器;
获取用户在虚拟现实体验前平衡状态下的身体姿态数据并保存于数据库;
获取用户在虚拟现实体验中实时动作姿态的骨架信息,并提取20个主要关节点和重心位置作为特征值;
根据特征值输入分类器后输出的分类结果,确定用户的实时姿态是否有摔倒风险;
根据分类器的分类结果,确定是否对用户发出提示信息;
若分类结果为“危险”则直接在虚拟现实系统中发出提示信息;若分类结果为“相对安全”,则计算此姿态的风险程度,当风险程度高于设定的阈值时,在虚拟现实系统中发出提示信息。
7.根据权利要求6所述虚拟现实体验中的摔倒预警方法,其特征在于,所述根据特征值输入分类器后输出的分类结果,确定用户的实时姿态是否有摔倒风险,具体包括:
判断用户在虚拟现实体验中某一时刻的姿态是否具有摔倒风险,即将此姿态的骨架信息特征值输入分类器,分类器的输出结果为此姿态与摔倒姿态的拟合程度;
若分类器输出结果大于设定值,则确定用户此姿态与摔倒时的姿态拟合程度较高,分类结果为危险,用户具有摔倒风险。
8.根据权利要求6所述虚拟现实体验中的摔倒预警方法,其特征在于,
所述根据姿态动作分类器的分类结果,确定是否对用户发出提示信息,包括:
若用户的姿态特征值经分类器后输出结果大于设定值,则确定用户具有摔倒风险,对用户发出提示信息;
若用户的姿态特征值经分类器后输出结果小于设定值,则用户姿态与人体摔倒姿态拟合程度不高,将此姿态与用户平衡状态下的身体姿态进行比对,如果与平衡姿态的相似度低于设定值,则确定用户具有摔倒风险,对用户发出提示信息。
9.根据权利要求6所述虚拟现实体验中的摔倒预警方法,其特征在于,
所述姿态动作分类器基于机器学习算法,使用人体摔倒姿态数据集进行训练。
10.根据权利要求9所述虚拟现实体验中的摔倒预警方法,其特征在于,所述基于机器学习算法采用基于支持向量机的分类算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231544.7A CN108664887A (zh) | 2018-03-20 | 2018-03-20 | 一种虚拟现实体验中的摔倒预警装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231544.7A CN108664887A (zh) | 2018-03-20 | 2018-03-20 | 一种虚拟现实体验中的摔倒预警装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664887A true CN108664887A (zh) | 2018-10-16 |
Family
ID=63781939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810231544.7A Pending CN108664887A (zh) | 2018-03-20 | 2018-03-20 | 一种虚拟现实体验中的摔倒预警装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664887A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697830A (zh) * | 2018-12-21 | 2019-04-30 | 山东大学 | 一种基于目标分布规律的人员异常行为检测方法 |
CN109919132A (zh) * | 2019-03-22 | 2019-06-21 | 广东省智能制造研究所 | 一种基于骨架检测的行人跌倒识别方法 |
GB2581767A (en) * | 2018-12-21 | 2020-09-02 | Rinicare Ltd | Patient fall prevention |
CN113066264A (zh) * | 2021-02-22 | 2021-07-02 | 广州铁路职业技术学院(广州铁路机械学校) | 一种疲劳状态识别方法及台灯 |
CN114849162A (zh) * | 2022-04-13 | 2022-08-05 | 江苏医药职业学院 | 一种老年人健身康复用踏步机的监护系统及踏步机 |
CN116343341A (zh) * | 2023-05-12 | 2023-06-27 | 天津志听医疗科技有限公司 | 一种基于姿态识别的动作预测分析方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104258539A (zh) * | 2014-09-04 | 2015-01-07 | 燕山大学 | 一种基于虚拟现实和肢体动作交互的老人康复与监护系统 |
US20150139505A1 (en) * | 2013-11-18 | 2015-05-21 | Electronics And Telecommunications Research Institute | Method and apparatus for predicting human motion in virtual environment |
US20150310280A1 (en) * | 2010-08-26 | 2015-10-29 | Blast Motion Inc. | Motion event recognition and video synchronization system and method |
CN105204625A (zh) * | 2015-08-31 | 2015-12-30 | 小米科技有限责任公司 | 虚拟现实游戏中的安全保护方法和装置 |
CN105705210A (zh) * | 2013-09-30 | 2016-06-22 | 索尼电脑娱乐公司 | 用于头戴式显示器用户的基于摄像机的安全机制 |
CN106020498A (zh) * | 2016-07-27 | 2016-10-12 | 深圳市金立通信设备有限公司 | 一种安全预警方法和终端 |
CN106056035A (zh) * | 2016-04-06 | 2016-10-26 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的幼儿园智能监控方法 |
CN106774943A (zh) * | 2017-01-18 | 2017-05-31 | 福建天泉教育科技有限公司 | 一种虚拟现实体验的安全保护方法及系统 |
CN206946101U (zh) * | 2017-07-11 | 2018-01-30 | 云南大学滇池学院 | 虚拟现实头戴设备及虚拟现实设备 |
-
2018
- 2018-03-20 CN CN201810231544.7A patent/CN108664887A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150310280A1 (en) * | 2010-08-26 | 2015-10-29 | Blast Motion Inc. | Motion event recognition and video synchronization system and method |
CN105705210A (zh) * | 2013-09-30 | 2016-06-22 | 索尼电脑娱乐公司 | 用于头戴式显示器用户的基于摄像机的安全机制 |
US20150139505A1 (en) * | 2013-11-18 | 2015-05-21 | Electronics And Telecommunications Research Institute | Method and apparatus for predicting human motion in virtual environment |
CN104258539A (zh) * | 2014-09-04 | 2015-01-07 | 燕山大学 | 一种基于虚拟现实和肢体动作交互的老人康复与监护系统 |
CN105204625A (zh) * | 2015-08-31 | 2015-12-30 | 小米科技有限责任公司 | 虚拟现实游戏中的安全保护方法和装置 |
CN106056035A (zh) * | 2016-04-06 | 2016-10-26 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的幼儿园智能监控方法 |
CN106020498A (zh) * | 2016-07-27 | 2016-10-12 | 深圳市金立通信设备有限公司 | 一种安全预警方法和终端 |
CN106774943A (zh) * | 2017-01-18 | 2017-05-31 | 福建天泉教育科技有限公司 | 一种虚拟现实体验的安全保护方法及系统 |
CN206946101U (zh) * | 2017-07-11 | 2018-01-30 | 云南大学滇池学院 | 虚拟现实头戴设备及虚拟现实设备 |
Non-Patent Citations (4)
Title |
---|
AHRAM, T 等: "Virtual Environment Evaluation for a Safety Warning Effectiveness Study", 《PROCEDIA MANUFACTURING》 * |
丁刚毅 编著: "《数字媒体技术》", 31 August 2015 * |
李红波 等: "基于Kinect骨骼数据的人体动作姿势识别方法", 《计算机工程与设计》 * |
林强: "《行为识别与智能计算》", 30 November 2016 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697830A (zh) * | 2018-12-21 | 2019-04-30 | 山东大学 | 一种基于目标分布规律的人员异常行为检测方法 |
GB2581767A (en) * | 2018-12-21 | 2020-09-02 | Rinicare Ltd | Patient fall prevention |
GB2581767B (en) * | 2018-12-21 | 2022-06-15 | Rinicare Ltd | Patient fall prevention |
CN109919132A (zh) * | 2019-03-22 | 2019-06-21 | 广东省智能制造研究所 | 一种基于骨架检测的行人跌倒识别方法 |
CN109919132B (zh) * | 2019-03-22 | 2021-04-23 | 广东省智能制造研究所 | 一种基于骨架检测的行人跌倒识别方法 |
CN113066264A (zh) * | 2021-02-22 | 2021-07-02 | 广州铁路职业技术学院(广州铁路机械学校) | 一种疲劳状态识别方法及台灯 |
CN114849162A (zh) * | 2022-04-13 | 2022-08-05 | 江苏医药职业学院 | 一种老年人健身康复用踏步机的监护系统及踏步机 |
CN116343341A (zh) * | 2023-05-12 | 2023-06-27 | 天津志听医疗科技有限公司 | 一种基于姿态识别的动作预测分析方法和系统 |
CN116343341B (zh) * | 2023-05-12 | 2023-08-15 | 天津志听医疗科技有限公司 | 一种基于姿态识别的动作预测分析方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664887A (zh) | 一种虚拟现实体验中的摔倒预警装置和方法 | |
CN109508688B (zh) | 基于骨架的行为检测方法、终端设备及计算机存储介质 | |
CN107358149B (zh) | 一种人体姿态检测方法和装置 | |
Yang et al. | Eigenjoints-based action recognition using naive-bayes-nearest-neighbor | |
CN111666857B (zh) | 基于环境语义理解的人体行为识别方法、装置及存储介质 | |
CN106295568B (zh) | 基于表情和行为双模态结合的人类自然状态情感识别方法 | |
CN103514432B (zh) | 人脸特征提取方法、设备和计算机程序产品 | |
CN104463117B (zh) | 一种基于视频方式的人脸识别样本采集方法及系统 | |
CN111062429A (zh) | 基于深度学习的厨师帽和口罩佩戴的检测方法 | |
CN110472612B (zh) | 人体行为识别方法及电子设备 | |
CN108776775B (zh) | 一种基于权重融合深度及骨骼特征的老年人室内跌倒检测方法 | |
CN110096965A (zh) | 一种基于头部姿态的人脸识别方法 | |
GB2456651A (en) | Person Identification in an Image | |
CN111259751A (zh) | 基于视频的人体行为识别方法、装置、设备及存储介质 | |
KR20150039252A (ko) | 행동 인식 기반의 응용 서비스 제공 장치 및 그 방법 | |
CN108596135A (zh) | 身份识别方法及系统 | |
KR20190099537A (ko) | 동작 학습 장치, 기능 판별 장치 및 기능 판별 시스템 | |
CN111966217A (zh) | 基于手势和眼动的无人机控制方法和系统 | |
JP7230345B2 (ja) | 情報処理装置及び情報処理プログラム | |
CN114821647A (zh) | 一种睡岗识别方法、装置、设备及介质 | |
CN112861808B (zh) | 动态手势识别方法、装置、计算机设备及可读存储介质 | |
KR101542206B1 (ko) | 코아스-파인 기법을 이용한 객체 추출과 추적 장치 및 방법 | |
CN112818796A (zh) | 一种适用于在线监考场景下的智能姿态判别方法和存储设备 | |
CN109409173A (zh) | 基于深度学习的驾驶人状态监测方法、系统、介质及设备 | |
CN110096989A (zh) | 图像处理方法和装置 |
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 |
Application publication date: 20181016 |
|
RJ01 | Rejection of invention patent application after publication |