CN109409294B - 基于对象运动轨迹的停球事件的分类方法和系统 - Google Patents
基于对象运动轨迹的停球事件的分类方法和系统 Download PDFInfo
- Publication number
- CN109409294B CN109409294B CN201811264277.XA CN201811264277A CN109409294B CN 109409294 B CN109409294 B CN 109409294B CN 201811264277 A CN201811264277 A CN 201811264277A CN 109409294 B CN109409294 B CN 109409294B
- Authority
- CN
- China
- Prior art keywords
- ball
- football
- frame
- stopping event
- player
- 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
- 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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于对象运动轨迹的停球事件的分类方法和系统,其中方法包括:采用神经网络对训练视频进行检测分别得到球员和足球的预测框;记录同时检测到一个足球和一个球员的图像的帧数、球员的坐标以及足球的坐标,并将前后两帧图像的帧数相减,差值大于预设阈值时则确定停球事件;选取每个停球事件中预设定帧长的视频;将停球事件成功与否打上标签;将不同的停球事件进行向量化处理得到向量化的数据并投入到分类器中,通过交叉验证,给出停球时间成功或失败的二分类结果并输出分类准确率。本发明通过检测的结果划分事件,通过设置具体的分类器的属性,能对加载的停球事件的位置信息做出准确的分类,具有很好的稳定性以及鲁棒性。
Description
技术领域
本发明属于计算机视觉图像处理领域,尤其涉及一种基于运动轨迹的停球事件的分类技术。
背景技术
在现代化的智能足球室内训练场训练和评估过程中,球员会在场地内进行高强度的接球训练,需要学习如何控制从八个不同的角度的来球并将足球踢进不同的目标框,教练员则可以通过移动终端自行启动个性化的训练评估方案,以及查看数据。与此同时,场地设有的传感器也会自动记录球员的命中率,在训练结束后,集成数据和训练视频会上传到云端系统,形成球员命中率的趋势和视频存档,供教练员参考回放。
但是衡量一个选手的踢球水平,最重要的一个因素就是看这个选手的基本功是否扎实。然而现阶段的智能足球场目前能做到的就是记录球员的命中率,或者通过佩戴传感器来获取球员在踢球过程中的速度信息等,而针对基本功中的停球成功率(指停球成功的次数占总的停球事件的比例),现阶段只能通过观看相关移动终端的训练视频来人工统计球员的停球成功率,且人为对停球事件进行成功与失败的分类,不仅分类标准难以确定还难以统计分类准确率,这样做十分浪费时间和人力,难以拿出一个具体的量化指标来,都是通过人为去标注,同时也无法重复挖掘数据中的价值。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于对象运动轨迹的停球事件的分类方法和系统对训练视频中的停球时间进行成功或失败的二分类识别,并输出分类准确率。
为解决上述技术问题,本发明采用以下技术方案:
在一个方面,本发明提供了基于对象运动轨迹的停球事件的分类方法:包括以下步骤:
(1)对原始训练集图像中的球员和足球进行标注,得到标注后的训练集图像;
(2)根据训练集中的图像训练神经网络并采用训练好的神经网络对待检测的训练视频进行检测得到球员的预测框和足球的预测框;
(3)记录图像的帧数、球员预测框的中心坐标和足球预测框的中心坐标;
(4)记录同时检测到一个足球和一个球员的图像的帧数、球员的坐标以及足球的坐标,并将前后两帧图像的帧数相减,差值大于预设阈值时则确定停球事件;
(5)选取每个停球事件中预设定帧长的视频,并取每个停球事件中这些帧的对应的球员以及足球的位置信息;
(6)将划分好的不同的停球事件成功与否打上标签,停球成功则标签为1,停球失败则标签为-1;
(7)将不同的停球事件进行向量化处理得到向量化的数据;
(8)将步骤(7)中的向量化的数据投入到随机森林分类器中,通过交叉验证,给出停球时间成功或失败的二分类结果并输出分类准确率。
进一步地,对原始训练集图像中的球员和足球进行标注是采用Labe l Image图像标注工具。
进一步优选地,所述神经网络采用YOLOv3神经网络。
进一步地,步骤(3)具体包括:
选取球员和足球的边界框坐标长度都为2时,将同时检测到一个足球和一个球员的当前图像的帧数、球员的预测框的中心坐标和足球的预测框中心坐标记录在列表中,列表的数据形式如下:
[frame[i],[Pcenteri],[Fcenteri],……];
其中frame[i]为视频图像的帧数,[Pcenteri]为第i帧图像球员预测框的中心,[Fcenteri]为第i帧图像足球预测框的中心坐标。
进一步地,步骤(4)图像的帧数、球员的坐标以及足球的坐标的存储形式如下:
[[frame[i],[Pi],[Fi]],[frame[i+1],[Pi+1],[Fi+1]],……,[frame[n],[Pn],[Fn]]]
其中frame为视频图像的帧数,而[Pi],[Fi]分别表示第i帧图像检测到的球员的位置和球所处的位置。
优选地,步骤(5)中预设定帧长为38帧。
在另一方面,本发明提供了基于对象运动轨迹的停球事件的分类系统,包括:
足球和球员标注模块,用于对原始训练集图像中的球员和足球进行标注,得到标注后的训练集图像;
神经网络检测模块,用于根据训练集中的图像训练神经网络并采用训练好的神经网络对待检测的训练视频进行检测得到球员和足球的预测框;
坐标记录模块,用于记录图像的帧数、球员预测框的中心坐标和足球预测框的中心坐标;
停球事件划分模块,用于记录同时检测到一个足球和一个球员的图像的帧数、球员的坐标以及足球的坐标,并将前后两帧图像的帧数相减,差值大于预设阈值时则确定停球事件;
预设帧长选取模块,用于选取每个停球事件中预设定帧长的视频,并取每个停球事件中这些帧的对应的球员以及足球的位置信息;
停球事件标签标识模块,用于将划分好的不同的停球事件成功与否打上标签,停球成功则标签为1,停球失败则标签为-1;
数据向量化模块,用于将不同的停球事件进行向量化处理得到向量化的数据;
分类器模块,用于将向量化的数据投入到随机森林分类器中,通过交叉验证,给出停球时间成功或失败的二分类结果并输出分类准确率。
本发明所达到的有益效果:本发明神经网络不断迭代训练得出球员以及运动的球的特征并能准确检测出球员和球的具体位置,通过检测的结果划分事件,通过设置具体的分类器的属性,能对加载的停球事件的位置信息做出准确的分类,具有很好的稳定性以及鲁棒性。
附图说明
图1是本发明方法具体实施例基于对象运动轨迹的停球事件的分类方法流程示意图;
图2是YOLOv3神经网络的训练阶段示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
具体实施例,提供基于运动轨迹的停球事件的分类方法,这种方法是有监督学习,对训练视频进行实时检测的方案,方法如下:
步骤一
第1步,首选要确定原始训练集图像,在本实施例中选择ImageNet数据集;在其他实施例中训练图像也可以选择基于获取的球员训练的视频,将视频转化为一帧帧图像,(由于视频压缩等原因造成视频中的某些画面解码错误),对这些图像进行选择,选出画面清晰的图像作为训练图像,可以人为选出也可以采用现有的图像智能识别技术完成。
然后对图像中的球员和足球进行标注,在本实施例中通过运行LabelImage对图像标注(即将球员和足球用一个矩形框框出其在图像中的位置,并输入相应的标签),优选地,球员的标签为person,足球的标签为soccer,完成后数据会保存图像的名字,球员和足球所对应框的左上角坐标和对应矩形框的宽和高。
第2步,采用YOLOv3对训练集中的数据进行训练,得到Darknet-53各层的权重,可参见图2;
第3步,将测试集的球员训练视频输入到训练好的YOLOv3网络中进行检测,能够获得球员的预测框和足球的预测框;
将图像的帧数、球员预测框的中心坐标和足球预测框的中心坐标记录在列表中,列表的数据形式如下:
[frame[i],[Pcenteri],[Fcenteri],……];
其中frame[i]为视频图像的帧数,[Pcenteri]为第i帧图像球员预测框的中心,[Fcenteri]为第i帧图像足球预测框的中心坐标;
第4步,选取同时检测到一个球员和足球的图像,将图像的帧数,球员和足球的坐标记录在列表1中,当新一帧满足上述条件时,将新的图像帧数添加到列表1中,列表1的格式为:
[[frame[i],[Pi],[Fi]],[frame[i+1],[Pi+1],[Fi+1]],……,[frame[n],[Pn],[Fn]]]
其中frame为视频图像的帧数,而[Pi],[Fi]分别表示第i帧图像检测到的球员的位置和球所处的位置。
基于记录的列表1检测到的数据,停球事件就体现为检测到的前后两帧图像的帧数差值很大,以此为依据划分不同的停球事件,选取合理的阈值,当检测到前后两帧图像的帧数差值大于指定阈值时,即判断为另外一个停球事件,即Frame[i+1]-frame[i]>阈值,则frame[i+1]为另外一停球事件的开始帧;
第5步:从第一次检测到球到之后的一定帧长(实验中选取的帧长为38帧)就足以判断停球成功与否,故而删除多余的后续帧数,这样做也有一个明显的好处就是数据的维度是完全相同的,将对应帧数的球员坐标和足球坐标提取出来,一个停球事件组成一个列表存储起来,记录的形式如下:
[[,],[,],……,[,]];
第6步:将划分好的不同的停球事件在视频上播放,并记录该停球事件的标签,停球成功则标签为1,停球失败则标签为-1;
停球事件的分类阶段:
步骤二:
第1步:上述记录的不同的停球事件的数据分别进行向量化处理,处理后一个停球事件的维度为1152维(152=4×38,其中4是记录的每一帧图像的球员和足球的坐标维度,38维是每一个停球事件由38帧图像组成)处理后的一个停球事件的数据保存形式为:
[,,,,……,,];
第2步:将向量化的数据投入到传统的随机森林分类网络中,通过交叉验证,计算各个分类器的平均准确率。本实施例优选地采用随机森林分类器,在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
在其他具体实施例中,在以上停球事件划分的基础上分类器可以根据需要确定,除了随机森林分类器,其他如AdaBoost分类器,随机森林分类器或者集成学习分类器都能实现本发明的方法。
本发明在主要包括两个阶段,运动轨迹的预处理阶段与停球事件的分类阶段,解决了传统方法需要用人工来对不同事件分类的问题,具有较高的实际应用价值。
本发明对测试视频的检测结果作一个简单的处理,根据处理后的检测的结果对不同的停球事件进行划分。基于停球事件是一连串动作,经历一定的时间,根据检测到的图像帧数差值划分停球事件,为智能足球训练场的数据处理提供了一种可供参考的方案,节省了大量的人力资源,具有很好的鲁棒性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (7)
1.基于对象运动轨迹的停球事件的分类方法,其特征是,包括以下步骤:
(1)对原始训练集图像中的球员和足球进行标注,得到标注后的训练集图像;
(2)根据训练集中的图像训练神经网络并采用训练好的神经网络对待检测的训练视频进行检测得到球员的预测框和足球的预测框;
(3)记录图像的帧数、球员预测框的中心坐标和足球预测框的中心坐标;
(4)记录同时检测到一个足球和一个球员的图像的帧数、球员的坐标以及足球的坐标,并将前后两帧图像的帧数相减,差值大于预设阈值时则确定停球事件;
(5)选取每个停球事件中预设定帧长的视频,并取每个停球事件中这些帧的帧数以及对应的球员以及足球的位置信息;
(6)将划分好的不同的停球事件成功与否打上标签,停球成功则标签为1,停球失败则标签为-1;
(7)将不同的停球事件进行向量化处理得到向量化的数据;
(8)将步骤(7)中的向量化的数据投入到随机森林分类器中,通过交叉验证,给出停球事件成功或失败的二分类结果并输出分类准确率。
2.根据权利要求1所述的停球事件的分类方法,其特征是,对原始训练集图像中的球员和足球进行标注时采用LabelImage图像标注工具。
3.根据权利要求1所述的停球事件的分类方法,其特征是,所述神经网络采用YOLOv3神经网络。
4.根据权利要求1所述的停球事件的分类方法,其特征是,步骤(3)具体包括:
选取球员和足球的边界框坐标长度都为2时,将同时检测到一个足球和一个球员的当前图像的帧数、球员的预测框的中心坐标和足球的预测框的中心坐标记录在列表中,列表的数据形式如下:
[frame[i],[Pcenteri],[Fcenteri],......];
其中frame[i]为视频图像的帧数,[Pcenteri]为第i帧图像球员预测框的中心坐标,[Fcenteri]为第i帧图像足球预测框的中心坐标。
5.根据权利要求1所述的停球事件的分类方法,其特征是,步骤(4)中图像的帧数、球员的坐标以及足球的坐标的存储形式如下:[[frame[i],[Pi],[Fi]],[frame[i+1],[Pi+1],[Fi+1]],......,[frame[n],[Pn],[Fn]]],其中frame[i]为同时检测到一个足球和一个球员的视频图像的帧数,而[Pi],[Fi]分别表示第i帧图像检测到的球员的位置和球所处的位置,其中i为图像中帧的序号,n为图像帧的总数。
6.根据权利要求1所述的停球事件的分类方法,其特征是,步骤(5)中预设定帧长为38帧。
7.基于对象运动轨迹的停球事件的分类系统,其特征是,包括:
足球和球员标注模块,用于对原始训练集图像中的球员和足球进行标注,得到标注后的训练集图像;
神经网络检测模块,用于根据训练集中的图像训练神经网络并采用训练好的神经网络对待检测的训练视频进行检测得到球员和足球的预测框;
坐标记录模块,用于记录图像的帧数、球员预测框的中心坐标和足球预测框的中心坐标;
停球事件划分模块,用于记录同时检测到一个足球和一个球员的图像的帧数、球员的坐标以及足球的坐标,并将前后两帧图像的帧数相减,差值大于预设阈值时则确定停球事件;
预设帧长选取模块,用于选取每个停球事件中预设定帧长的视频,并取每个停球事件中这些帧的对应的球员以及足球的位置信息;
停球事件标签标识模块,用于将划分好的不同的停球事件成功与否打上标签,停球成功则标签为1,停球失败则标签为-1;
数据向量化模块,用于将不同的停球事件进行向量化处理得到向量化的数据;
分类器模块,用于将向量化的数据投入到随机森林分类器中,通过交叉验证,给出停球事件成功或失败的二分类结果并输出分类准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811264277.XA CN109409294B (zh) | 2018-10-29 | 2018-10-29 | 基于对象运动轨迹的停球事件的分类方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811264277.XA CN109409294B (zh) | 2018-10-29 | 2018-10-29 | 基于对象运动轨迹的停球事件的分类方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409294A CN109409294A (zh) | 2019-03-01 |
CN109409294B true CN109409294B (zh) | 2021-06-22 |
Family
ID=65469324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811264277.XA Active CN109409294B (zh) | 2018-10-29 | 2018-10-29 | 基于对象运动轨迹的停球事件的分类方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409294B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096616B (zh) * | 2019-04-25 | 2023-05-26 | 南京邮电大学 | 一种基于二维姿态估计的运动训练姿态分析方法 |
CN110532843B (zh) * | 2019-04-25 | 2022-08-05 | 南京邮电大学 | 一种基于对象级轨迹的细粒度运动行为识别方法 |
CN113610003B (zh) * | 2021-08-09 | 2023-11-10 | 浙江大学 | 一种拍类运动增强视频创作方法 |
CN114241367A (zh) * | 2021-12-02 | 2022-03-25 | 北京智美互联科技有限公司 | 视觉语义检测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194559A (zh) * | 2017-05-12 | 2017-09-22 | 杭州电子科技大学 | 一种基于三维卷积神经网络的工作流识别方法 |
CN107403154A (zh) * | 2017-07-20 | 2017-11-28 | 四川大学 | 一种基于动态视觉传感器的步态识别方法 |
US10002289B2 (en) * | 2014-08-04 | 2018-06-19 | Panasonic Corporation | Moving body tracking method and moving body tracking device |
CN108416256A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 基于特征识别的家庭云智能监控系统和监控方法 |
CN108681712A (zh) * | 2018-05-17 | 2018-10-19 | 北京工业大学 | 一种融合领域知识和多阶深度特征的篮球比赛语义事件识别方法 |
-
2018
- 2018-10-29 CN CN201811264277.XA patent/CN109409294B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002289B2 (en) * | 2014-08-04 | 2018-06-19 | Panasonic Corporation | Moving body tracking method and moving body tracking device |
CN107194559A (zh) * | 2017-05-12 | 2017-09-22 | 杭州电子科技大学 | 一种基于三维卷积神经网络的工作流识别方法 |
CN107403154A (zh) * | 2017-07-20 | 2017-11-28 | 四川大学 | 一种基于动态视觉传感器的步态识别方法 |
CN108416256A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 基于特征识别的家庭云智能监控系统和监控方法 |
CN108681712A (zh) * | 2018-05-17 | 2018-10-19 | 北京工业大学 | 一种融合领域知识和多阶深度特征的篮球比赛语义事件识别方法 |
Non-Patent Citations (2)
Title |
---|
Robust Adaptive Beamforming Signal Techniques for Drone Surveillance;Shangang Fan 等;《2018 IEEE 10th Sensor Array and Multichannel Signal Processing Workshop (SAM)》;20180830;582-586 * |
基于帧差法和背景差法的运动目标检测;张应辉 等;《计算机技术与发展》;20170228;第27卷(第2期);25-28 * |
Also Published As
Publication number | Publication date |
---|---|
CN109409294A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409294B (zh) | 基于对象运动轨迹的停球事件的分类方法和系统 | |
CN108810620B (zh) | 识别视频中的关键时间点的方法、装置、设备及存储介质 | |
US11755952B2 (en) | System and method for predictive sports analytics using body-pose information | |
CN110472554B (zh) | 基于姿态分割和关键点特征的乒乓球动作识别方法及系统 | |
Huang et al. | Tracknet: A deep learning network for tracking high-speed and tiny objects in sports applications | |
CN105809144B (zh) | 一种采用动作切分的手势识别系统和方法 | |
CN106534967A (zh) | 视频剪辑方法及装置 | |
CN110674785A (zh) | 一种基于人体关键点跟踪的多人姿态分析方法 | |
US20160365121A1 (en) | Game Video Processing Systems and Methods | |
EP2930690B1 (en) | Apparatus and method for analyzing a trajectory | |
McQueen et al. | Automatically recognizing on-ball screens | |
CN111696128A (zh) | 一种高速多目标检测跟踪和目标图像优选方法及存储介质 | |
CN109460724B (zh) | 基于对象检测的停球事件的分离方法和系统 | |
US20110243398A1 (en) | Pattern recognition apparatus and pattern recognition method that reduce effects on recognition accuracy, and storage medium | |
Mustamo | Object detection in sports: TensorFlow Object Detection API case study | |
CN103514429A (zh) | 检测对象的特定部位的方法及图像处理设备 | |
Hammam et al. | Real-time multiple spatiotemporal action localization and prediction approach using deep learning | |
Iyer et al. | Automated third umpire decision making in cricket using machine learning techniques | |
Shim et al. | Teaching machines to understand baseball games: large-scale baseball video database for multiple video understanding tasks | |
CN111881775B (zh) | 一种人脸实时识别方法和装置 | |
CN115376210B (zh) | 泳池防溺水的溺水行为识别方法、装置、设备及介质 | |
Haq et al. | Heatmap visualization and badminton player detection using convolutional neural network | |
Hayashi et al. | Head and upper body pose estimation in team sport videos | |
CN115510330B (zh) | 基于数据挖掘的信息智能处理方法及系统 | |
CN105590100B (zh) | 基于判别性超体素的人体动作识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |