CN109635776A - 通过程序识别人体动作的方法 - Google Patents
通过程序识别人体动作的方法 Download PDFInfo
- Publication number
- CN109635776A CN109635776A CN201811576761.6A CN201811576761A CN109635776A CN 109635776 A CN109635776 A CN 109635776A CN 201811576761 A CN201811576761 A CN 201811576761A CN 109635776 A CN109635776 A CN 109635776A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- output end
- human action
- unit
- 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
- 230000009471 action Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 54
- 238000004891 communication Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 101100313377 Caenorhabditis elegans stip-1 gene Proteins 0.000 claims description 5
- 101100313382 Dictyostelium discoideum stip-2 gene Proteins 0.000 claims description 5
- 101100516335 Rattus norvegicus Necab1 gene Proteins 0.000 claims description 5
- 101150059016 TFIP11 gene Proteins 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010224 classification analysis Methods 0.000 claims description 4
- 238000001728 nano-filtration Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000153 supplemental effect Effects 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及计算机视觉技术领域，且公开了一种通过程序识别人体动作的方法，包括所述以下步骤：图像收集，通过摄像头和传感器对场景内的人体动作进行收集；图像处理，对A中收集到的图像进行去噪，得到清晰处理后的图像，采用均值滤波、维纳滤波与中值去噪对图像进行去噪，均值滤波：均值滤波是典型的线性滤波算法，其采用的主要方法为领域平均法，即对待处理的某个像素（x，y），该模板由其近邻的若干像素组成。本发明通过收集模块对图像进行收集，然后经过去噪模块对收集到的图像进行去噪处理，通过提取模块与识别模块对图像进行提取识别特征信息，接着利用分析模块与分类模块对图像进行分析分类，最后完成人体动作的识别。
Description
技术领域
本发明涉及计算机视觉技术领域，具体为一种通过程序识别人体动作的方法。
背景技术
人体姿态估计仍然是日益活跃的计算机视觉的一个研究领域，并具有广阔的应用前景，如人机交互、智能监控、运动员辅助训练、视频编码等。近年来，在这些应用的驱动下，行为分析已经成为计算机视觉、机器学习、模式识别、数据挖掘、认识心理学等相关领域的研究热点，人体姿态估计就是去恢复其中人体关节点位置的过程。
在人体姿态估计领域中，现有的通过程序识别人体动作的方法，都是采用以下流程：首先收集数据，接着对收集到的数据进行去噪或处理，接着提取出特征量，然后训练和分类，最后实现人体动作的识别。
发明内容
本发明的目的在于提供了一种通过程序识别人体动作的方法，达到通过程序对人体数据进行收集处理，然后提出特征量后进行分类，最后实现人体动作的识别的目的。
为实现上述目的，本发明提供如下技术方案：一种识别人体动作的程序，包括收集模块、处理模块、去噪模块、控制模块、中央处理器与智能终端，所述收集模块包括预处理单元与微处理单元，所述收集模块的信号输出端与预处理单元的信号输入端相连接，所述收集模块的信号输出端与微处理单元的信号接收端相连接，所述预处理单元和微处理单元的输出端与处理模块的输入端电性连接，所述处理模块的输出端与去噪模块的输入端电性连接，所述去噪模块的输出端与控制模块的输入端电性连接，所述控制模块的信号输出端连接有分析模块，所述控制模块的信号输出端连接有分类模块，所述分析模块的信号输出端与中央处理器的信号接收端相连接，所述分类模块的信号输出端与中央处理器的信号接收端相连接，所述中央处理器的输出端与智能终端的输入端电性连接，所述处理模块的信号输出端与提取模块的信号接收端相连接，所述处理模块的信号输出端与识别模块的信号接收端相连接。
优选的，所述收集模块内信号连接有第一通信模块与第二通信模块，第一通信模块的输出端与预处理单元的接收端电性连接，第二通信模块的输出端与微处理单元的接收端电性连接。
优选的，所述处理模块内部设置有姿态传感单元，姿态传感单元顺序输出三个经处理模块处理后的姿态。
优选的，所述去噪模块包括均值滤波单元、维纳滤波单元与中值去噪单元。
优选的，所述智能终端由算术逻辑部件、控制器、存储器、输入设备与输出设备组成，智能终端为平板电脑或者PC端。
一种通过程序识别人体动作的方法，包括所述以下步骤：
A、图像收集：通过摄像头和传感器对场景内的人体动作进行收集；
B、图像处理：对A中收集到的图像进行去噪，得到清晰处理后的图像，采用均值滤波、维纳滤波与中值去噪对图像进行去噪，其中：
B1、均值滤波：均值滤波是典型的线性滤波算法，其采用的主要方法为领域平均法，即对待处理的某个像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y）；
B2、根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强，它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)-f^(x,y)2]最小；
B3、它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的某个领域中各点值的中值代换，其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点；
C、识别提取：识别处理后的图像中的人体动作特征，并对特征中的活动进行提取；
D、分析分类：对提取到的活动特征进行分析分类；
E、输出特征：对分析分类后的人体动作特征进行输出。
优选的，所述识别提取包括Gist特征与Stip特征。
本发明提供了一种通过程序识别人体动作的方法。具备以下有益效果：
（1）、本发明通过收集模块对图像进行收集，然后经过去噪模块对收集到的图像进行去噪处理，通过提取模块与识别模块对图像进行提取识别特征信息，接着利用分析模块与分类模块对图像进行分析分类，最后完成人体动作的识别。
（2）、本发明通过均值滤波单元、维纳滤波单元与中值去噪单元来完成图像的去噪处理，使得图像去噪更加彻底，经处理后的图像更加清晰明了，有利于下一步的图像提取特征，使得提取到的特征信息更加准确。
（3）、本发明通过设置识别模块，利用Gist特征算法和Stip特征算法，对去噪处理后的图像进行有效识别，使得识别到的人体动作特征更加准确无误，然后有益于下一步的图像特征的提取。
附图说明
图1为本发明人体动作识别程序功能结构框图。
图中：1收集模块、2预处理单元、3微处理单元、4处理模块、5去噪模块、6控制模块、7提取模块、8识别模块、9中央处理器、10智能终端、11分析模块、12分类模块。
具体实施方式
下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
如图1所示，通过程序识别人体动作的方法包括收集模块1、处理模块4、去噪模块5、控制模块6、中央处理器9与智能终端10，收集模块1包括预处理单元2与微处理单元3，收集模块1的信号输出端与预处理单元2的信号输入端相连接，收集模块1的信号输出端与微处理单元3的信号接收端相连接，预处理单元2和微处理单元3的输出端与处理模块4的输入端电性连接，处理模块4的输出端与去噪模块5的输入端电性连接，去噪模块5的输出端与控制模块6的输入端电性连接，控制模块6的信号输出端连接有分析模块11，控制模块6的信号输出端连接有分类模块12，分析模块11的信号输出端与中央处理器9的信号接收端相连接，分类模块12的信号输出端与中央处理器9的信号接收端相连接，中央处理器9的输出端与智能终端10的输入端电性连接，处理模块4的信号输出端与提取模块7的信号接收端相连接，处理模块4的信号输出端与识别模块8的信号接收端相连接。
收集模块1内信号连接有第一通信模块与第二通信模块，第一通信模块的输出端与预处理单元2的接收端电性连接，第二通信模块的输出端与微处理单元3的接收端电性连接，处理模块4内部设置有姿态传感单元，姿态传感单元顺序输出三个经处理模块4处理后的姿态，去噪模块4包括均值滤波单元、维纳滤波单元与中值去噪单元，智能终端10由算术逻辑部件、控制器、存储器、输入设备与输出设备组成，智能终端10为平板电脑或者PC端。
包括以下步骤：
A、图像收集：通过摄像头和传感器对场景内的人体动作进行收集；
B、图像处理：对A中收集到的图像进行去噪，得到清晰处理后的图像，采用均值滤波、维纳滤波与中值去噪对图像进行去噪，其中：
B1、均值滤波：均值滤波是典型的线性滤波算法，其采用的主要方法为领域平均法，即对待处理的某个像素点x，y，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点x，y；
B2、根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强，它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)-f^(x,y)2]最小；
B3、它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的某个领域中各点值的中值代换，其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点；
C、识别提取：识别处理后的图像中的人体动作特征，并对特征中的活动进行提取；
D、分析分类：对提取到的活动特征进行分析分类；
E、输出特征：对分析分类后的人体动作特征进行输出。
识别提取包括Gist特征，即：采用小波图像分解算法来提取图像的全局特征信息，将输出图像分解成4*4个小区域字块，然后对每个小区域字块从6个方位和4个尺度采用小滤波来提取图像的纹理特征信息。
实施例二：
如图1所示，通过程序识别人体动作的方法包括收集模块1、处理模块4、去噪模块5、控制模块6、中央处理器9与智能终端10，收集模块1包括预处理单元2与微处理单元3，收集模块1的信号输出端与预处理单元2的信号输入端相连接，收集模块1的信号输出端与微处理单元3的信号接收端相连接，预处理单元2和微处理单元3的输出端与处理模块4的输入端电性连接，处理模块4的输出端与去噪模块5的输入端电性连接，去噪模块5的输出端与控制模块6的输入端电性连接，控制模块6的信号输出端连接有分析模块11，控制模块6的信号输出端连接有分类模块12，分析模块11的信号输出端与中央处理器9的信号接收端相连接，分类模块12的信号输出端与中央处理器9的信号接收端相连接，中央处理器9的输出端与智能终端10的输入端电性连接，处理模块4的信号输出端与提取模块7的信号接收端相连接，处理模块4的信号输出端与识别模块8的信号接收端相连接。
收集模块1内信号连接有第一通信模块与第二通信模块，第一通信模块的输出端与预处理单元2的接收端电性连接，第二通信模块的输出端与微处理单元3的接收端电性连接，处理模块4内部设置有姿态传感单元，姿态传感单元顺序输出三个经处理模块4处理后的姿态，去噪模块4包括均值滤波单元、维纳滤波单元与中值去噪单元，智能终端10由算术逻辑部件、控制器、存储器、输入设备与输出设备组成，智能终端10为平板电脑或者PC端。
包括以下步骤：
A、图像收集：通过摄像头和传感器对场景内的人体动作进行收集；
B、图像处理：对A中收集到的图像进行去噪，得到清晰处理后的图像，采用均值滤波、维纳滤波与中值去噪对图像进行去噪，其中：
B1、均值滤波：均值滤波是典型的线性滤波算法，其采用的主要方法为领域平均法，即对待处理的某个像素点x，y，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点x，y；
B2、根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强，它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)-f^(x,y)2]最小；
B3、它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的某个领域中各点值的中值代换，其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点；
C、识别提取：识别处理后的图像中的人体动作特征，并对特征中的活动进行提取；
D、分析分类：对提取到的活动特征进行分析分类；
E、输出特征：对分析分类后的人体动作特征进行输出。
识别提取包括Stip特征，即：首先计算Hessian矩阵，，然后通过计算Hessian矩阵的行列式，使S达到极大值。
综上可得，本发明通过收集模块1对图像进行收集，然后经过去噪模块5对收集到的图像进行去噪处理，通过提取模块7与识别模块8对图像进行提取识别特征信息，接着利用分析模块11与分类模块12对图像进行分析分类，最后完成人体动作的识别，本发明通过均值滤波单元、维纳滤波单元与中值去噪单元来完成图像的去噪处理，使得图像去噪更加彻底，经处理后的图像更加清晰明了，有利于下一步的图像提取特征，使得提取到的特征信息更加准确，本发明通过设置识别模块8，利用Gist特征算法和Stip特征算法，对去噪处理后的图像进行有效识别，使得识别到的人体动作特征更加准确无误，然后有益于下一步的图像特征的提取。
Claims (7)
1.一种识别人体动作的程序，包括收集模块（1）、处理模块（4）、去噪模块（5）、控制模块（6）、中央处理器（9）与智能终端（10），其特征在于：所述收集模块（1）包括预处理单元（2）与微处理单元（3），所述收集模块（1）的信号输出端与预处理单元（2）的信号输入端相连接，所述收集模块（1）的信号输出端与微处理单元（3）的信号接收端相连接，所述预处理单元（2）和微处理单元（3）的输出端与处理模块（4）的输入端电性连接，所述处理模块（4）的输出端与去噪模块（5）的输入端电性连接，所述去噪模块（5）的输出端与控制模块（6）的输入端电性连接，所述控制模块（6）的信号输出端连接有分析模块（11），所述控制模块（6）的信号输出端连接有分类模块（12），所述分析模块（11）的信号输出端与中央处理器（9）的信号接收端相连接，所述分类模块（12）的信号输出端与中央处理器（9）的信号接收端相连接，所述中央处理器（9）的输出端与智能终端（10）的输入端电性连接，所述处理模块（4）的信号输出端与提取模块（7）的信号接收端相连接，所述处理模块（4）的信号输出端与识别模块（8）的信号接收端相连接。
2.根据权利要求1所述的识别人体动作的程序，其特征在于：所述收集模块（1）内信号连接有第一通信模块与第二通信模块，第一通信模块的输出端与预处理单元（2）的接收端电性连接，第二通信模块的输出端与微处理单元（3）的接收端电性连接。
3.根据权利要求1所述的识别人体动作的程序，其特征在于：所述处理模块（4）内部设置有姿态传感单元，姿态传感单元顺序输出三个经处理模块（4）处理后的姿态。
4.根据权利要求1所述的识别人体动作的程序，其特征在于：所述去噪模块（4）包括均值滤波单元、维纳滤波单元与中值去噪单元。
5.根据权利要求1所述的识别人体动作的程序，其特征在于：所述智能终端（10）由算术逻辑部件、控制器、存储器、输入设备与输出设备组成，智能终端（10）为平板电脑或者PC端。
6.一种通过程序识别人体动作的方法，其特征在于，包括所述以下步骤：
A、图像收集：通过摄像头和传感器对场景内的人体动作进行收集；
B、图像处理：对A中收集到的图像进行去噪，得到清晰处理后的图像，采用均值滤波、维纳滤波与中值去噪对图像进行去噪，其中：
B1、均值滤波：均值滤波是典型的线性滤波算法，其采用的主要方法为领域平均法，即对待处理的某个像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y）；
B2、根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强，它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)-f^(x,y)2]最小；
B3、它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的某个领域中各点值的中值代换，其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点；
C、识别提取：识别处理后的图像中的人体动作特征，并对特征中的活动进行提取；
D、分析分类：对提取到的活动特征进行分析分类；
E、输出特征：对分析分类后的人体动作特征进行输出。
7.根据权利要求6所述的通过程序识别人体动作的方法，其特征在于：所述识别提取包括Gist特征与Stip特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811576761.6A CN109635776A (zh) | 2018-12-23 | 2018-12-23 | 通过程序识别人体动作的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811576761.6A CN109635776A (zh) | 2018-12-23 | 2018-12-23 | 通过程序识别人体动作的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109635776A true CN109635776A (zh) | 2019-04-16 |
Family
ID=66076599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811576761.6A Pending CN109635776A (zh) | 2018-12-23 | 2018-12-23 | 通过程序识别人体动作的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109635776A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523465A (zh) * | 2024-01-03 | 2024-02-06 | 山东朝辉自动化科技有限责任公司 | 一种料场物料种类自动识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101043581A (zh) * | 2006-03-21 | 2007-09-26 | 中国科学院计算技术研究所 | 一种多模板混合滤波的图像去噪方法 |
| CN101739671A (zh) * | 2009-12-30 | 2010-06-16 | 中兴通讯股份有限公司 | 一种含噪图像的降噪处理方法及系统 |
| CN101819635A (zh) * | 2010-04-02 | 2010-09-01 | 北京大学软件与微电子学院无锡产学研合作教育基地 | 一种基于微惯导信号和模式识别的手语翻译方法 |
| CN102508547A (zh) * | 2011-11-04 | 2012-06-20 | 哈尔滨工业大学深圳研究生院 | 基于计算机视觉的手势输入法构建方法及系统 |
| CN103377366A (zh) * | 2012-04-26 | 2013-10-30 | 哈尔滨工业大学深圳研究生院 | 一种步态识别方法和系统 |
| CN104021573A (zh) * | 2014-06-13 | 2014-09-03 | 哈尔滨工程大学 | 一种基于关节姿态角的人体动作分类识别方法 |
| CN104463242A (zh) * | 2014-11-12 | 2015-03-25 | 天津理工大学 | 基于特征变换和词典学习的多特征动作识别方法 |
| CN106815578A (zh) * | 2017-01-23 | 2017-06-09 | 重庆邮电大学 | 一种基于深度运动图‑尺度不变特征变换的手势识别方法 |
-
2018
- 2018-12-23 CN CN201811576761.6A patent/CN109635776A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101043581A (zh) * | 2006-03-21 | 2007-09-26 | 中国科学院计算技术研究所 | 一种多模板混合滤波的图像去噪方法 |
| CN101739671A (zh) * | 2009-12-30 | 2010-06-16 | 中兴通讯股份有限公司 | 一种含噪图像的降噪处理方法及系统 |
| CN101819635A (zh) * | 2010-04-02 | 2010-09-01 | 北京大学软件与微电子学院无锡产学研合作教育基地 | 一种基于微惯导信号和模式识别的手语翻译方法 |
| CN102508547A (zh) * | 2011-11-04 | 2012-06-20 | 哈尔滨工业大学深圳研究生院 | 基于计算机视觉的手势输入法构建方法及系统 |
| CN103377366A (zh) * | 2012-04-26 | 2013-10-30 | 哈尔滨工业大学深圳研究生院 | 一种步态识别方法和系统 |
| CN104021573A (zh) * | 2014-06-13 | 2014-09-03 | 哈尔滨工程大学 | 一种基于关节姿态角的人体动作分类识别方法 |
| CN104463242A (zh) * | 2014-11-12 | 2015-03-25 | 天津理工大学 | 基于特征变换和词典学习的多特征动作识别方法 |
| CN106815578A (zh) * | 2017-01-23 | 2017-06-09 | 重庆邮电大学 | 一种基于深度运动图‑尺度不变特征变换的手势识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523465A (zh) * | 2024-01-03 | 2024-02-06 | 山东朝辉自动化科技有限责任公司 | 一种料场物料种类自动识别方法 |
| CN117523465B (zh) * | 2024-01-03 | 2024-04-19 | 山东朝辉自动化科技有限责任公司 | 一种料场物料种类自动识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886273B (zh) | 一种cmr图像分割分类系统 | |
| CN109543502B (zh) | 一种基于深度多尺度神经网络的语义分割方法 | |
| Liu et al. | Learning discriminative representations from RGB-D video data | |
| CN109993093B (zh) | 基于面部和呼吸特征的路怒监测方法、系统、设备及介质 | |
| CN110889448A (zh) | 一种基于卷积神经网络的心电分类方法 | |
| CN110942825A (zh) | 基于卷积神经网络和循环神经网络结合的心电诊断方法 | |
| CN110032932B (zh) | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 | |
| CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
| CN103955682A (zh) | 基于surf兴趣点的行为识别方法及装置 | |
| CN110037693A (zh) | 一种基于面部表情和eeg的情绪分类方法 | |
| CN104751186A (zh) | 一种基于bp网络和小波变换的虹膜图像质量分类方法 | |
| CN111488805A (zh) | 一种基于显著性特征提取的视频行为识别方法 | |
| CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
| CN114305333A (zh) | 一种基于脑网络和深度学习的脑电信号识别方法 | |
| CN104331892B (zh) | 一种基于形态学的神经元识别与分析方法 | |
| CN111839551A (zh) | 一种基于视频和生理信号的多模态情感识别方法及系统 | |
| CN112597980A (zh) | 一种面向动态视觉传感器的类脑手势序列识别方法 | |
| CN111160194B (zh) | 一种基于多特征融合的静态手势图像识别方法 | |
| Lee et al. | Fast object localization using a CNN feature map based multi-scale search | |
| Zhang et al. | Residual attentive feature learning network for salient object detection | |
| CN105608662A (zh) | 基于fpga的动态目标识别系统及其识别方法 | |
| CN109635776A (zh) | 通过程序识别人体动作的方法 | |
| CN113128353B (zh) | 面向自然人机交互的情绪感知方法及其系统 | |
| CN111543985A (zh) | 一种基于新型深度学习模型的脑控混合智能康复方法 | |
| CN116919422A (zh) | 基于图卷积的多特征情感脑电识别模型建立方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |