CN109241932A - 一种基于运动方差图相位特征的热红外人体动作识别方法 - Google Patents

一种基于运动方差图相位特征的热红外人体动作识别方法 Download PDF

Info

Publication number
CN109241932A
CN109241932A CN201811109406.8A CN201811109406A CN109241932A CN 109241932 A CN109241932 A CN 109241932A CN 201811109406 A CN201811109406 A CN 201811109406A CN 109241932 A CN109241932 A CN 109241932A
Authority
CN
China
Prior art keywords
movement
variogram
phase equalization
human
phase
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.)
Granted
Application number
CN201811109406.8A
Other languages
English (en)
Other versions
CN109241932B (zh
Inventor
谭勇
严文娟
贺国权
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.)
Yangtze Normal University
Original Assignee
Yangtze Normal 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 Yangtze Normal University filed Critical Yangtze Normal University
Priority to CN201811109406.8A priority Critical patent/CN109241932B/zh
Publication of CN109241932A publication Critical patent/CN109241932A/zh
Application granted granted Critical
Publication of CN109241932B publication Critical patent/CN109241932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于运动方差图相位特征的热红外人体动作识别方法，采集待识别的红外人体动作序列图像，本发明将红外人体动作序列图像转化为运动方差图，采用其相位特征实现热红外人体动作识别。针对热红外图像质量差和人体动作复杂造成人体动作识别困难的问题，构建运动方差图实现动作时空信息压缩高效表达，提取运动方差图相位一致性特征获得具有区分性和鲁棒性好的动作特征，采用最近邻分类器简化分类器设计提高分类效率，实现了良好的识别精度和鲁棒性。

Description

一种基于运动方差图相位特征的热红外人体动作识别方法
技术领域
本发明涉及数字图像处理与模式识别技术领域，尤其涉及一种基于运动方差图相位特征的热红外人体动作识别方法。
背景技术
基于数字图像的人体动作识别技术广泛应用于战场敌情侦察、安全监控、智能机器人等诸多领域。早期的人体动作识别技术是面向可见光图像开发的。可见光图像的优点是图像质量高、图像信息丰富，但缺点是易受光照、遮挡、色度和环境变化等因素影响。近年来，随着热红外成像设备技术水平的进步和价格的不断下降，运用热红外成像设备(特别是热红外成像仪)采集热红外图像开展人体动作识别技术的研究日益受到重视。热红外成像设备是通过探测环境中物体的热辐射进行成像的，因此能够在光照不良甚至无可见光照的情况下正常工作，因此特别适用于需要全天侯工作的人体动作识别应用系统。但是，在通过处理热红外成像设备采集的热红外图像信息实现人体动作识别时，不可避免地面临两方面的困难。一是热红外图像质量往往很差，反映为图像分辨率不高、图像边缘模糊、纹理信息少、色彩信息缺失等，因而可利用图像信息不足。二是人体为非刚体目标，自身动作形态多且运动模式复杂，还可能受到遮挡、环境中非人体目标干扰等因素影响，造成人体目标在热红外图像中的外观形态复杂，导致在进行人体动作识别时获取人体动作的本质性特征困难，制约了识别图像中人体动作的精度和鲁棒性。
目前，识别红外图像中人体动作的主流方法是统计分类法。该类方法通常包括动作特征提取和动作分类识别两个主要步骤。第一个步骤主要从红外图像或红外图像序列中获取有意义的特征描述符以表达不同动作之间或者同一动作的不同观测实例之间的具有区别性的本质特征。第二个步骤是采用分类器对所获得的动作实例标记动作类型。由于统计分类法通过“学习”的方式获得对人体动作的识别能力，因此具有较好的适应性，兼具有相对合理的计算开销。但是，目前统计分类法的总体精度和鲁棒性但离完全实用化仍有较大差距，需要开展进一步开展研究以改善性能。
因此，如何提高统计分类法的精度和鲁棒性成为了本领域技术人员急需解决的问题。
发明内容
针对现有技术存在的上述不足，本发明要解决的技术问题是：如何提高统计分类法的精度和鲁棒性。
为解决上述技术问题，本发明采用了如下的技术方案：
一种基于运动方差图相位特征的热红外人体动作识别方法，包括如下步骤：
(1)采集待识别的红外人体动作序列图像，所述红外人体动作序列图像包括一个完整的人体动作对应的N帧图像序列；
(2)获取所述红外人体动作序列图像中各帧的人体动作区域；
(3)基于所述人体动作区域生成运动方差图；
(4)提取运动方差图的相位一致性特征向量；
(5)采用最近邻分类器对运动方差图的相位一致性特征向量进行分类识别，得到人体动作的类别标签，实现对红外人体动作序列图像中的人体动作的识别。
优选地，步骤(2)包括如下步骤：
(201)按人体动作时序先后对各图像帧进行排序，生成各帧的差分运动历史图；
(202)对各帧的差分运动历史图，沿垂直方向计算差分运动历史图各列像素灰度之和，计算差分运动历史图各列像素灰度之和的平均值，获取列像素灰度之和大于列像素灰度之和的平均值的图像列作为高亮图像列；
(203)对各帧的差分运动历史图，沿水平方向计算差分运动历史图各行像素灰度之和，计算差分运动历史图各行像素灰度之和的平均值，获取行像素灰度之和大于行像素灰度之和的平均值的图像行作为高亮图像行；
(204)将各帧的差分运动历史图中，高亮图像列和高亮图像行围成的区域作为待处理人体动作区域；
(205)将所有待处理人体动作区域缩放处理成统一尺寸作为人体动作区域，使得统一尺寸后的每个人体动作区域的行数为所有待处理人体动作区域的行数的中位数，每个人体动作区域的列数为所有待处理人体动作区域的行数的中位数。
优选地，步骤(3)包括如下步骤：
(301)计算各帧人体动作区域的灰度值标准差σ(x,y)，其中，Bn(x,y)为第n帧的人体动作区域(x,y)位置的灰度值，n0表示起始帧号；
(302)对灰度值标准差σ(x,y)进行归一化处理得到运动方差数据MDI(x,y)，其中，σmax是灰度值标准差σ(x,y)中的最大元素，将运动方差数据MDI(x,y)组成的二维数据矩阵作为运动方差图。
优选地，步骤(4)包括如下步骤：
(401)计算运动方差图在图像平面内各方向上的方向相位一致性图；
(402)以像素为单位比较所有方向相位一致性图，找出各像素位置上的最大值，构成最大方向相位一致性图PCmax；
(403)以矩阵形式分别将各方向相位一致性图均匀划分为M×N1个非重叠的网格，并计算每一网格内全部像素的平均灰度，分别将各方向相位一致性图的全部平均灰度值按网格的量化系数的Z行排序组合为各方向相位一致性图的子特征向量；
(404)以矩阵形式将最大方向相位一致性图PCmax均匀划分为M×N1个非重叠的网格，并计算每一网格内全部像素的平均灰度，将最大方向相位一致性图PCmax的全部平均灰度值按网格的量化系数的Z行排序组合为最大方向相位一致性图PCmax的子特征向量；
(405)将各方向相位一致性图的子特征向量和最大方向相位一致性图PCmax的子特征向量串行组合得到运动方差图的相位一致性特征向量H，其中，H＝{H1,H2,...,Hq,Hmax}，Hmax为最大方向相位一致性图PCmax的子特征向量，H1,H2,...,Hq分别为各方向相位一致性图的子特征向量。
优选地，步骤(5)之前还包括，对运动方差图的相位一致性特征向量进行本征特征维数估计并降维，之后再采用最近邻分类器对降维后相位一致性特征向量进行识别分类，的具体步骤包括：
采用预设估计方法估计运动方差图的相位一致性特征向量的维数；
采用预设降维方法对运动方差图的相位一致性特征向量进行降维得到降维后相位一致性特征向量Hopt_dims。
优选地，所述预设估计方法为最小似然估计算子方法。
优选地，所述预设降维方法为线性成分分析法。
综上所述，本发明公开了一种基于运动方差图相位特征的热红外人体动作识别方法，包括如下步骤：(1)采集待识别的红外人体动作序列图像，所述红外人体动作序列图像包括一个完整的人体动作对应的N帧图像序列；(2)获取所述红外人体动作序列图像中各帧的人体动作区域；(3)基于所述人体动作区域生成运动方差图；(4)提取运动方差图的相位一致性特征向量；(5)采用最近邻分类器对运动方差图的相位一致性特征向量进行分类识别，得到人体动作的类别标签，实现对红外人体动作序列图像中的人体动作的识别。本发明将红外人体动作序列图像转化为运动方差图，采用其相位特征实现热红外人体动作识别。针对热红外图像质量差和人体动作复杂造成人体动作识别困难的问题，运用投影法定位感兴趣人体区域避免红外图像分割困难，构建运动方差图实现动作时空信息压缩高效表达，提取运动方差图相位一致性特征获得具有区分性和鲁棒性好的动作特征，以及最近邻分类器简化分类器设计提高分类效率的手段实现了良好的识别精度和鲁棒性。
附图说明
图1为本发明公开的一种基于运动方差图相位特征的热红外人体动作识别方法的流程图；
图2为“跑步”动作序列图像中的代表帧，以及该动作的差分运动历史图；
图3是“挥动双手”动作的运动差分图；
图4至图7是“挥动双手”动作在四种方向上的方向相位一致性分布图；
图8是“挥动双手”动作的最大方向相位一致性相位图；
图9是“挥动双手”的网格划分方式以及网格的量化系数的Z行排序的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述说明。
如图1所示，本发明公开了一种基于运动方差图相位特征的热红外人体动作识别方法，包括如下步骤：
(1)采集待识别的红外人体动作序列图像，所述红外人体动作序列图像包括一个完整的人体动作对应的N帧图像序列；
运用红外热像仪(或其他热红外成像装置)采集静态(或缓变)背景下的人体运动序列图像。成像装置与感兴趣人体对象之间的最小距离设置保证感兴趣人体对象成像尺寸不超出图像的最大分辨率，最大距离设置保证感兴趣人体对象的身体部位在图像中是可分辨的。
(2)获取所述红外人体动作序列图像中各帧的人体动作区域；
(3)基于所述人体动作区域生成运动方差图；
(4)提取运动方差图的相位一致性特征向量；
(5)采用最近邻分类器对运动方差图的相位一致性特征向量进行分类识别，得到人体动作的类别标签，实现对红外人体动作序列图像中的人体动作的识别。
本发明将红外人体动作序列图像转化为运动方差图，采用其相位特征实现热红外人体动作识别。针对热红外图像质量差和人体动作复杂造成人体动作识别困难的问题，构建运动方差图实现动作时空信息压缩高效表达，提取运动方差图相位一致性特征获得具有区分性和鲁棒性好的动作特征，采用最近邻分类器简化分类器设计提高分类效率，实现了良好的识别精度和鲁棒性。
具体实施时，步骤(2)包括如下步骤：
(201)按人体动作时序先后对各图像帧进行排序，生成各帧的差分运动历史图；
(202)对各帧的差分运动历史图，沿垂直方向计算差分运动历史图各列像素灰度之和，计算差分运动历史图各列像素灰度之和的平均值，获取列像素灰度之和大于列像素灰度之和的平均值的图像列作为高亮图像列；
计算灰度值为现有技术，再此不再赘述。
(203)对各帧的差分运动历史图，沿水平方向计算差分运动历史图各行像素灰度之和，计算差分运动历史图各行像素灰度之和的平均值，获取行像素灰度之和大于行像素灰度之和的平均值的图像行作为高亮图像行；
(204)将各帧的差分运动历史图中，高亮图像列和高亮图像行围成的区域作为待处理人体动作区域；
(205)将所有待处理人体动作区域缩放处理成统一尺寸作为人体动作区域，使得统一尺寸后的每个人体动作区域的行数为所有待处理人体动作区域的行数的中位数，每个人体动作区域的列数为所有待处理人体动作区域的行数的中位数。
同一尺寸，可以采用缩放的方式进行。
图2展示了“跑步”动作序列图像中的代表帧，以及该动作的差分运动历史图，可见其人体动作区域揭示了动作全过程人体区域所及的最大范围，因此只需要对此区域进行识别，不用识别其他区域，减少识别过程中的计算量。
本发明中，构造差分运动历史图并采用灰度投影法定位热红外动作序列图像中感兴趣人体区域避免了热红外图像分割的困难，能够有效提高图像识别的精准度并且还可以减少图像识别过程中的计算量。
具体实施时，步骤(3)包括如下步骤：
(301)计算各帧人体动作区域的灰度值标准差σ(x,y)，其中，Bn(x,y)为第n帧的人体动作区域(x,y)位置的灰度值，n0表示起始帧号；
(302)对灰度值标准差σ(x,y)进行归一化处理得到运动方差数据MDI(x,y)，其中，σmax是灰度值标准差σ(x,y)中的最大元素，将运动方差数据MDI(x,y)组成的二维数据矩阵作为运动方差图。
本发明中，构建运动方差图能够实现动作时空信息压缩高效表达，减少图像识别的计算量，提高识别效率。
具体实施时，步骤(4)包括如下步骤：
401)计算运动方差图在图像平面内各方向上的方向相位一致性图；
(402)以像素为单位比较所有方向相位一致性图，找出各像素位置上的最大值，构成最大方向相位一致性图PCmax；
(403)以矩阵形式分别将各方向相位一致性图均匀划分为M×N1个非重叠的网格，并计算每一网格内全部像素的平均灰度，分别将各方向相位一致性图的全部平均灰度值按网格的量化系数的Z行排序组合为各方向相位一致性图的子特征向量；
(404)以矩阵形式将最大方向相位一致性图PCmax均匀划分为M×N1个非重叠的网格，并计算每一网格内全部像素的平均灰度，将最大方向相位一致性图PCmax的全部平均灰度值按网格的量化系数的Z行排序组合为最大方向相位一致性图PCmax的子特征向量；
(405)将各方向相位一致性图的子特征向量和最大方向相位一致性图PCmax的子特征向量串行组合得到运动方差图的相位一致性特征向量H，其中，H＝{H1,H2,...,Hq,Hmax}，Hmax为最大方向相位一致性图PCmax的子特征向量，H1,H2,...,Hq分别为各方向相位一致性图的子特征向量。
图3是“挥动双手”动作运动差分图，图4至图7是“挥动双手”的四种方向的方向相位一致性分布图，图8是“挥动双手”的最大方向相位一致性相位图，图9是“挥动双手”的网格划分方式以及网格的量化系数的Z行排序的示意图。
具体实施时，步骤(5)之前还包括，对运动方差图的相位一致性特征向量进行本征特征维数估计并降维，之后再采用最近邻分类器对降维后相位一致性特征向量进行识别分类，的具体步骤包括：
采用预设估计方法估计运动方差图的相位一致性特征向量的维数；
采用预设降维方法对运动方差图的相位一致性特征向量进行降维得到降维后相位一致性特征向量Hopt_dims。
特征向量可能受噪声污染并可能具有相当高的维数。为滤除噪声并减少维数提高后续分类识别效率，本步骤对特征向量降维。
具体实施时，所述预设估计方法为最小似然估计算子方法。
估计特征向量的本征维数，即在没有显著信息损失条件下的最小维数。实现本征特征维数的方法有多种，但为达到以合理计算开销获得足够的估计精度的目的，本步骤采用最小似然估计算子方法(Maximum Likelihood Estimator，MLE)。
具体实施时，所述预设降维方法为线性成分分析法。
本发明中，实用线性成分分析法(Linear Discriminant Analysis，LDA)进行降维。
Hopt_dims具有很好的区分性和鲁棒性，所以极大降低了对分类器性能的要求。因此，本发明采用最近邻分类器。最近邻分类器是将训练集中的每一个样本作为判别依据，寻找距离待分类样本最近的训练集中的样本，然后以此为依据来进行分类。具体实施过程如下：
构建基于降维后相位一致性特征向量的人体动作训练样本集；
使用人体动作训练样本集生成可用的最近邻分类器模型；
将待识别人体动作特征输入所得模型获得测试样本类型标签，实现动作识别。
由于最近邻分类器是一种典型的非参数分类方法，即在设计分类器时无需考虑各个类别样本在特征空间中的分布形式和参数，也无需对样本分布的形式和参数进行估计，所以具有计算简单，易于实现，无需估计参数，无需训练的优势，并且特别适合于多分类问题。能够起到保证分类精度和改善识别效率的有益作用。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (7)

1.一种基于运动方差图相位特征的热红外人体动作识别方法，其特征在于，包括如下步骤：
(1)采集待识别的红外人体动作序列图像，所述红外人体动作序列图像包括一个完整的人体动作对应的N帧图像序列；
(2)获取所述红外人体动作序列图像中各帧的人体动作区域；
(3)基于所述人体动作区域生成运动方差图；
(4)提取运动方差图的相位一致性特征向量；
(5)采用最近邻分类器对运动方差图的相位一致性特征向量进行分类识别，得到人体动作的类别标签，实现对红外人体动作序列图像中的人体动作的识别。
2.如权利要求1所述的基于运动方差图相位特征的热红外人体动作识别方法，其特征在于，步骤(2)包括如下步骤：
(201)按人体动作时序先后对各图像帧进行排序，生成各帧的差分运动历史图；
(202)对各帧的差分运动历史图，沿垂直方向计算差分运动历史图各列像素灰度之和，计算差分运动历史图各列像素灰度之和的平均值，获取列像素灰度之和大于列像素灰度之和的平均值的图像列作为高亮图像列；
(203)对各帧的差分运动历史图，沿水平方向计算差分运动历史图各行像素灰度之和，计算差分运动历史图各行像素灰度之和的平均值，获取行像素灰度之和大于行像素灰度之和的平均值的图像行作为高亮图像行；
(204)将各帧的差分运动历史图中，高亮图像列和高亮图像行围成的区域作为待处理人体动作区域；
(205)将所有待处理人体动作区域缩放处理成统一尺寸作为人体动作区域，使得统一尺寸后的每个人体动作区域的行数为所有待处理人体动作区域的行数的中位数，每个人体动作区域的列数为所有待处理人体动作区域的行数的中位数。
3.如权利要求1所述的基于运动方差图相位特征的热红外人体动作识别方法，其特征在于，步骤(3)包括如下步骤：
(301)计算各帧人体动作区域的灰度值标准差σ(x,y)，其中，Bn(x,y)为第n帧的人体动作区域(x,y)位置的灰度值，n0表示起始帧号；
(302)对灰度值标准差σ(x,y)进行归一化处理得到运动方差数据MDI(x,y)，其中，σmax是灰度值标准差σ(x,y)中的最大元素，将运动方差数据MDI(x,y)组成的二维数据矩阵作为运动方差图。
4.如权利要求1所述的基于运动方差图相位特征的热红外人体动作识别方法，其特征在于，步骤(4)包括如下步骤：
(401)计算运动方差图在图像平面内各方向上的方向相位一致性图；
(402)以像素为单位比较所有方向相位一致性图，找出各像素位置上的最大值，构成最大方向相位一致性图PCmax；
(403)以矩阵形式分别将各方向相位一致性图均匀划分为M×N1个非重叠的网格，并计算每一网格内全部像素的平均灰度，分别将各方向相位一致性图的全部平均灰度值按网格的量化系数的Z行排序组合为各方向相位一致性图的子特征向量；
(404)以矩阵形式将最大方向相位一致性图PCmax均匀划分为M×N1个非重叠的网格，并计算每一网格内全部像素的平均灰度，将最大方向相位一致性图PCmax的全部平均灰度值按网格的量化系数的Z行排序组合为最大方向相位一致性图PCmax的子特征向量；
(405)将各方向相位一致性图的子特征向量和最大方向相位一致性图PCmax的子特征向量串行组合得到运动方差图的相位一致性特征向量H，其中，H＝{H1,H2,...,Hq,Hmax}，Hmax为最大方向相位一致性图PCmax的子特征向量，H1,H2,...,Hq分别为各方向相位一致性图的子特征向量。
5.如权利要求1所述的基于运动方差图相位特征的热红外人体动作识别方法，其特征在于，步骤(5)之前还包括，对运动方差图的相位一致性特征向量进行本征特征维数估计并降维，之后再采用最近邻分类器对降维后相位一致性特征向量进行识别分类，的具体步骤包括：
采用预设估计方法估计运动方差图的相位一致性特征向量的维数；
采用预设降维方法对运动方差图的相位一致性特征向量进行降维得到降维后相位一致性特征向量Hopt_dims。
6.如权利要求5所述的基于运动方差图相位特征的热红外人体动作识别方法，其特征在于，所述预设估计方法为最小似然估计算子方法。
7.如权利要求5所述的基于运动方差图相位特征的热红外人体动作识别方法，其特征在于，所述预设降维方法为线性成分分析法。
CN201811109406.8A 2018-09-21 2018-09-21 一种基于运动方差图相位特征的热红外人体动作识别方法 Active CN109241932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811109406.8A CN109241932B (zh) 2018-09-21 2018-09-21 一种基于运动方差图相位特征的热红外人体动作识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811109406.8A CN109241932B (zh) 2018-09-21 2018-09-21 一种基于运动方差图相位特征的热红外人体动作识别方法

Publications (2)

Publication Number Publication Date
CN109241932A true CN109241932A (zh) 2019-01-18
CN109241932B CN109241932B (zh) 2021-07-06

Family

ID=65057462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811109406.8A Active CN109241932B (zh) 2018-09-21 2018-09-21 一种基于运动方差图相位特征的热红外人体动作识别方法

Country Status (1)

Country Link
CN (1) CN109241932B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111540166A (zh) * 2020-05-09 2020-08-14 重庆工程学院 一种基于深度学习的无人机夜间搜寻系统及方法
CN116052209A (zh) * 2022-12-14 2023-05-02 长沙观谱红外科技有限公司 一种红外图像和标准3d人体模型的处理方法及存储介质
CN116071825A (zh) * 2023-01-31 2023-05-05 天翼爱音乐文化科技有限公司 一种动作行为识别方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226597A (zh) * 2007-01-18 2008-07-23 中国科学院自动化研究所 一种基于热红外步态的夜间行人识别方法及系统
US20120146903A1 (en) * 2010-12-08 2012-06-14 Omron Corporation Gesture recognition apparatus, gesture recognition method, control program, and recording medium
US20160239094A1 (en) * 2015-02-18 2016-08-18 Honeywell International Inc. Method of using pir arrays for gesture recognition in security systems
CN105956604A (zh) * 2016-04-20 2016-09-21 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于两层时空邻域特征的动作识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226597A (zh) * 2007-01-18 2008-07-23 中国科学院自动化研究所 一种基于热红外步态的夜间行人识别方法及系统
US20120146903A1 (en) * 2010-12-08 2012-06-14 Omron Corporation Gesture recognition apparatus, gesture recognition method, control program, and recording medium
US20160239094A1 (en) * 2015-02-18 2016-08-18 Honeywell International Inc. Method of using pir arrays for gesture recognition in security systems
CN105956604A (zh) * 2016-04-20 2016-09-21 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于两层时空邻域特征的动作识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AARON F.BOBICK ET AL: "The recognition of human movement using temporal templates", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
JAESEOK YUN ET AL: "Detecting Direction of Movement Using Pyroelectric Infrared Sensors", 《IEEE SENSORS JOURNAL 》 *
单志军: "基于视频的行人检测方法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *
史东承等: "基于相位一致性改进的步态识别方法", 《计算机工程》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111540166A (zh) * 2020-05-09 2020-08-14 重庆工程学院 一种基于深度学习的无人机夜间搜寻系统及方法
CN116052209A (zh) * 2022-12-14 2023-05-02 长沙观谱红外科技有限公司 一种红外图像和标准3d人体模型的处理方法及存储介质
CN116052209B (zh) * 2022-12-14 2024-03-29 长沙观谱红外科技有限公司 一种红外图像和标准3d人体模型的处理方法及存储介质
CN116071825A (zh) * 2023-01-31 2023-05-05 天翼爱音乐文化科技有限公司 一种动作行为识别方法、系统、电子设备及存储介质
CN116071825B (zh) * 2023-01-31 2024-04-19 天翼爱音乐文化科技有限公司 一种动作行为识别方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN109241932B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN107194872B (zh) 基于内容感知深度学习网络的遥感图像超分辨率重建方法
CN113052210B (zh) 一种基于卷积神经网络的快速低光照目标检测方法
CN109005409A (zh) 一种基于目标检测与跟踪的智能视频编码方法
CN110929593B (zh) 一种基于细节辨别区别的实时显著性行人检测方法
Jia et al. A two-step approach to see-through bad weather for surveillance video quality enhancement
CN108960404B (zh) 一种基于图像的人群计数方法及设备
Yang et al. ContourGAN: Image contour detection with generative adversarial network
WO2020134818A1 (zh) 图像处理方法及相关产品
Espinal et al. Wavelet-based fractal signature analysis for automatic target recognition
CN109977834B (zh) 从深度图像中分割人手与交互物体的方法和装置
CN102034267A (zh) 基于关注度的目标物三维重建方法
CN103984963B (zh) 一种高分辨率遥感图像场景分类方法
CN103530638A (zh) 多摄像头下的行人匹配方法
CN109241932A (zh) 一种基于运动方差图相位特征的热红外人体动作识别方法
CN106709438A (zh) 一种基于视频会议的人数统计方法
CN113139489A (zh) 基于背景提取和多尺度融合网络的人群计数方法及系统
CN104050674B (zh) 一种显著性区域检测方法及装置
Wei et al. MSPNET: Multi-supervised parallel network for crowd counting
CN113762009B (zh) 一种基于多尺度特征融合及双注意力机制的人群计数方法
Chetverikov et al. Texture Anisotropy, Symmetry, Regularity: Recovering Structure and Orientation from Interaction Maps.
CN111079516B (zh) 基于深度神经网络的行人步态分割方法
CN112488165A (zh) 一种基于深度学习模型的红外行人识别方法及系统
CN109064444B (zh) 基于显著性分析的轨道板病害检测方法
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image
CN116485860A (zh) 一种基于多尺度渐进交互和聚合交叉注意力特征的单目深度预测算法

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
GR01 Patent grant
GR01 Patent grant