CN109902565A - 多特征融合的人体行为识别方法 - Google Patents
多特征融合的人体行为识别方法 Download PDFInfo
- Publication number
- CN109902565A CN109902565A CN201910051721.8A CN201910051721A CN109902565A CN 109902565 A CN109902565 A CN 109902565A CN 201910051721 A CN201910051721 A CN 201910051721A CN 109902565 A CN109902565 A CN 109902565A
- Authority
- CN
- China
- Prior art keywords
- behavior
- human body
- sequence
- picture
- image
- 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
Links
Abstract
一种多特征融合的人体行为识别方法,利用摄像头采集人体行为视频,提取每帧图像的前景图并进行空洞填充与干扰滤除,获得人体剪影图像序列;计算图像序列中相邻帧间相似度,获得表征行为姿态的每帧图像权重;根据人体剪影图像序列中每帧图像及其对应权重,通过加权平均获得表征行为过程的动作能量图;提取动作能量图的Zernike矩、灰度直方图和纹理特征,形成包含行为时空特性的多维特征融合向量。构建不同标准行为的特征向量模板库;在行为识别过程中根据待识别视频提取待识别行为的特征向量,将待识别行为特征向量与标准行为模板库特征向量逐一匹配,根据匹配结果确定行为类别,实现人体行为的准确识别。本发明通过构建动作能量图来表征人体行为的时间变化和空间姿态特征,可提高行为识别准确率和实时性,具有一定的实用价值。
Description
技术领域
本发明涉及一种计算机视觉与图像处理方法,具体地说是一种多特征融合的人体行为识别方法。
背景技术
人体行为识别是计算机视觉的一个重要分支,指利用模式识别、机器学习等方法,从一段未知的视频中自动分析识别人体的动作行为,可广泛应用于智能安防、交通管理、智能机器人、智能看护、娱乐休闲等现实生活领域。
目前人体行为识别可分为基于传感器和视觉两种方式,其中基于传感器的行为识别因需在人体关节部位佩戴相应的传感器,存在使用操作繁琐、不够灵活、用户体验性差等问题,故只能应用于一些特定领域;基于视觉的行为识别可分为基于单帧图像和视频的识别,基于单帧图像的行为识别因无法有效获取行为的时间信息,其识别效果较差,而基于视频的行为识别能利用视频中的时空信息,其准确率相对较高,目前主要有利用关节骨架特征、循环神经网络模型、3D卷积网络学习模型等进行视频行为识别,然而当前主流的深度学习方法算法复杂度较高,对硬件要求高,且由于人的行为动作在时间持续和空间姿态方面均具有较强随意性和不可预测性,同一种行为的姿态和动作速度可能不尽相同,不同的人的行为其动作幅度等也具有一定的差异性,现缺乏有效的非监督学习或半监督学习手段,仍极度依赖海量的行为数据。为此,急需对行为视频的时间序列信息和空间姿态信息进行深入挖掘与有效特征提取,提升行为识别的实时性、便捷性并保障准确率,这在实际应用中意义重大。
发明内容
本发明要解决的技术问题是提供一种多特征融合的人体行为识别方法,通过构建动作能量图来表征人体行为的时间变化和空间姿态特征,从而实现人体行为的快速准确识别。
为解决上述的技术问题,本发明采取以下技术方案:一种多特征融合的人体行为识别方法,包括以下步骤:
利用摄像头采集人体行为视频,提取视频中的行为图像序列帧,并进行降噪预处理,增强图像质量;采用ViBe算法提取行为图像序列中每帧图像的前景图,利用形态学和区域生长法对人体局部缺失凹陷区域进行空洞填充与干扰区域滤除,具体过程为:首先对人体前景图进行腐蚀操作,滤除前景图中的独立细小噪声像素块,得到图像A,然后对图像进行外扩一行像素点并填充为0,标记为B;以扩展像素(0,0)为种子点,通过形态学膨胀操作将B的大背景填充,将填充好的图像裁剪为原图像大小,并将其取反并与图像A相加,即获得人体剪影图Ci,i∈[0,K-1],K为人体剪影图像序列帧数;
采用帧差方法计算行为过程中的人体剪影图像序列C={C0,…,Ci,…,CK-1}中相邻帧之间的相似度为αi(αi∈[0,1]),其计算公式为:
其中,f(Ci-1,Ci)为行为序列相邻两图像帧Ci-1、Ci(i∈(0,K])间的相似度计算函数;假设通过行为序列第i-1帧、第i帧人体剪影图像所计算获得的差分图像为Di-1,i(x,y),则Ci-1、Ci两帧相似度函数式具体如下:
其中W为图像的宽,H为图像的高。
进一步地,根据相似度获得表征行为姿态的每帧图像的权重,并对权重进行归一化处理,形成人体剪影图像序列所对应的权重向量a={λ0,…,λi,…λK-1},i∈[0,K-1],其权重计算公式如下:
进一步地,根据人体剪影图像序列C及其对应的权重向量a,通过加权平均,获得可表征整个行为过程的动作能量图,其计算公式如下:
进一步的,根据动作能量图提取多维特征融合向量F,其中F由Zernike矩、灰度直方图和纹理共11种特征组成,具体表达式如下:
F={f0,…,fi,…f10},i∈[0,10]
其中均为Zernike矩特征;f7=P,为灰度直方图特征;f8=SE、f9=SCon、f10=SQ,分别为纹理特征的能量属性值、对比度属性值和熵值属性值。
假设N种标准行为动作,采用以上步骤方法提取N种标准行为的特征融合向量,构建标准行为的特征模板库
在行为识别过程中,根据待识别视频提取待识别人体行为的特征融合向量Fd;采用距离度量算法,对待识别行为特征融合向量Fd与标准行为特征模板库中的特征融合向量进行依次匹配识别,获得待识别行为与标准行为模板的相似度即通过相似度排序优选出相似度最高值,从而实现人体行为的准确识别。
与现有技术对比,本发明专利的有益效果为:本发明构建动作能量图作为特征提取对象,且在动作能量计算过程中,通过人体行为序列相邻帧的相似度计算,为人体行为的相似帧与关键姿态帧分配其相应权重,强化了关键姿态帧并弱化相似帧作用,有效表征了人体行为在时间序列和空间姿态上的特征信息;同时采用具有旋转不变性的Zernike矩特征,并结合纹理特征与灰度直方图特征,可较好的提取动作能量图中的细节特征和全局特征,最后结合马氏距离度量算法,实现对特征进行快速匹配识别,有效提高行为识别准确率与速度,具有较好的实用性。
附图说明
图1是行为识别流程示意图。
图2是行为识别算法示意图。
图3是动作能量图构建示意图。
具体实施方式
为便于本领域技术人员的理解,下面结合附图对本发明作进一步的描述。
如图1所示,本发明揭示了一种多特征融合的人体行为识别方法,包括以下步骤:利用摄像头采集人体行为视频,提取每帧图像的前景图并进行空洞填充与干扰滤除,获得人体剪影图像序列;计算图像序列中相邻帧间相似度,获得表征行为姿态的每帧图像权重;根据人体剪影图像序列中每帧图像及其对应权重,通过加权平均获得表征行为过程的动作能量图;提取动作能量图的Zernike矩、灰度直方图和纹理特征,形成包含行为时空特性的多维特征融合向量。基于上述步骤方法,构建7种标准行为的特征向量模板库;在行为识别过程中根据待识别视频提取待识别行为的特征融合向量,将待识别行为特征融合向量与标准行为模板库特征融合向量逐一匹配,根据匹配结果确定行为类别,实现人体行为识别。
详细方法流程图见图2,具体实施方法如下,其中滤波降噪、特征匹配算法仅用于举例说明,不局限于所举例方法。
利用摄像头采集人体行为视频,提取视频中的行为图像序列帧,并采用高斯滤波对图像序列行降噪预处理,增强图像质量。其中高斯滤波表达式为:
其中x,y为像素点坐标,k用来计算高斯滤波窗口大小;
采用ViBe算法提取行为图像序列中每帧图像的前景图,利用形态学和区域生长法对人体局部缺失凹陷区域进行空洞填充与干扰区域滤除,具体过程为:首先对人体前景图进行腐蚀操作,滤除前景图中的独立细小噪声像素块,得到图像A,然后对图像进行外扩一行像素点并填充为0,标记为B;以扩展像素(0,0)为种子点,通过形态学膨胀操作将B的大背景填充,将填充好的图像裁剪为原图像大小,并将其取反并与图像A相加,即获得人体剪影图Ci,i∈[0,K-1],K为人体剪影图像序列帧数。
采用帧差方法计算行为过程中的人体剪影图像序列C={C0,…,Ci,…,CK-1}中相邻帧间的相似度为αi(αi∈[0,1]),其计算公式为:
其中f(Ci-1,Ci)为行为序列相邻两图像帧Ci-1、Ci(i∈(0,K])间的相似度计算函数。假设通过行为序列第i-1帧、第i帧人体剪影图像所计算获得的差分图像为Di-1,i(x,y),其计算式如下:
其中D(x,y)为连续两帧图像之间的差分图像,I(i)和I(i-1)分别为t和t-1时刻的图像,T为差分图像相似度阈值,D(x,y)=1表示两帧相似,D(x,y)=0表示两帧不同。
则Ci-1、Ci两帧相似度函数式具体如下:
其中W为图像的宽,H为图像的高。
根据相似度获得表征行为姿态的每帧图像的权重并归一化,形成人体剪影图像序列所对应的权重向量a={λ0,…,λi,…λK-1},i∈[0,K-1],其权重计算公式如下:
根据人体剪影图像序列C及其对应的权重向量a,通过加权平均,获得可表征整个行为过程的动作能量图,如图3所示,其计算公式如下:
根据动作能量图提取多维特征融合向量F,其中F由Zernike矩、灰度直方图和纹理共11种特征组成,具体表达式如下:
F={f0,…,fi,…f10},i∈[0,10]
其中均为Zernike矩特征;f7=P,为灰度直方图特征;f8=SE、f9=SCon、f10=SQ,分别为纹理特征的能量属性值、对比度属性值和熵值属性值。
Zernike矩表达式为:
其中,f(x,y)表示二维图像矩阵,p,q表示p阶q次Zernike矩,Vpq为Zernike多项式。
灰度直方图P表达式为:
其中,rk是像素的灰度级,P(rk)是该灰度级像素所占比例,nk是具有灰度rk的像素的个数,K是图像中总的像素个数。
纹理特征的三个属性:能量SE、对比度SCon和熵SQ的表达式为:
其中,p(i,j|d,θ)表示在θ方向上,相隔一定的像元距离d,灰度值分别为i和j的像元对出现的频率;
本发明中的11种特征包括:Zernike矩( 共7种)、灰度直方图特征(f7=P,1种)和纹理特征(f8=SE、f9=SCon、f10=SQ,分别为纹理特征的能量属性值、对比度属性值和熵值属性值,共3种),加起来11种特征。
本发明以6种行为动作(具体指行走、站立、摔倒、跑步、挥手、弯腰)为例,采用以上步骤方法提取这6种行为动作的特征融合向量,构建标准行为的特征模板库
在行为识别过程中,根据待识别视频提取待识别人体行为的特征融合向量Fd;采用马氏距离度量算法,对待识别行为特征融合向量Fd与标准行为特征模板库中的特征融合向量进行依次匹配识别,获得待识别行为与标准行为模板的相似度即i∈[0,N-1],其中马氏距离度量算法表达式为:
其中,V为样本的协方差矩阵。
最后,通过相似度排序优选出相似度最高值,从而实现人体行为的准确识别。
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 (4)
1.一种多特征融合的人体行为识别方法,其特征在于包括:
利用摄像头采集人体行为视频,提取视频中的行为图像序列帧,并进行降噪预处理,增强图像质量;
提取行为图像序列中每帧图像的前景图,利用形态学和区域生长法对人体局部缺失凹陷区域进行空洞填充与干扰区域滤除,获得人体剪影图Ci,i∈[0,K-1],K为人体剪影图像序列帧数;
计算行为过程中的人体剪影图像序列C={C0,…,Ci,…,CK-1}中相邻帧间的相似度αi(αi∈[0,1]),根据相似度获得表征行为姿态的每帧图像的权重并归一化,形成人体剪影图像序列所对应的权重向量a={λ0,…,λi,…λK-1},i∈[0,K-1];
根据人体剪影图像序列C及其对应的权重向量a,通过加权平均,获得可表征整个行为过程的动作能量图E;
根据动作能量图提取11种图像特征,包括Zernike矩特征、灰度直方图特征、纹理特征的能量属性、对比度属性和熵值属性,形成表征行为的多维特征融合向量F;
设N种标准行为动作,采用以上步骤方法构建标准行为的特征模板库在行为识别过程中,根据待识别视频提取待识别人体行为的特征向量Fd;
采用距离度量算法,对待识别行为特征融合向量Fd与标准行为特征模板库中的特征融合向量进行依次匹配识别,获得待识别行为与标准行为模板的相似度即通过相似度排序优选出相似度最高值,从而实现人体行为的准确识别。
2.根据权利要求1所述的多特征融合的人体行为识别方法,其特征在于,所述人体剪影图像序列每帧对应的权重由人体剪影图像序列相邻帧间的相似度计算求得,具体计算公式为:
其中相邻帧间的相似度αi∈[0,1],是通过帧差方法对人体剪影图像序列C={C0,…,Ci,…,CK-1}进行计算求得,其表示公式为:
上式中f(Ci-1,Ci)为行为序列相邻两图像帧Ci-1、Ci(i∈(0,K])间的相似度计算函数;假设通过行为序列第i-1帧、第i帧人体剪影图像所计算获得的差分图像为Di-1,i(x,y),则Ci-1、Ci两帧相似度函数式具体如下:
其中W为图像的宽,H为图像的高。
3.根据权利要求1所述的多特征融合的人体行为识别方法,其特征在于,所述可表征整个行为过程的动作能量图E是根据人体剪影图像序列C及其对应的权重向量a通过加权平均计算获得,具体计算公式如下:
4.根据权利要求1所述的多特征融合的人体行为识别方法,其特征在于,所述的多维特征融合向量F由Zernike矩、灰度直方图和纹理共11种特征组成,具体表达式为:
F={f0,…,fi,…f10},i∈[0,10]
其中均为Zernike矩特征;f7=P,为灰度直方图特征;f8=SE、f9=SCon、f10=SQ,分别为纹理特征的能量属性值、对比度属性值和熵值属性值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910051721.8A CN109902565B (zh) | 2019-01-21 | 2019-01-21 | 多特征融合的人体行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910051721.8A CN109902565B (zh) | 2019-01-21 | 2019-01-21 | 多特征融合的人体行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902565A true CN109902565A (zh) | 2019-06-18 |
CN109902565B CN109902565B (zh) | 2020-05-05 |
Family
ID=66943928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910051721.8A Active CN109902565B (zh) | 2019-01-21 | 2019-01-21 | 多特征融合的人体行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902565B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414375A (zh) * | 2019-07-08 | 2019-11-05 | 北京国卫星通科技有限公司 | 低空目标的识别方法、装置、存储介质及电子设备 |
CN112329729A (zh) * | 2020-11-27 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 小目标船只检测方法、装置及电子设备 |
CN112818922A (zh) * | 2021-02-25 | 2021-05-18 | 上海数川数据科技有限公司 | 一种基于图像的店员识别方法 |
CN113239766A (zh) * | 2021-04-30 | 2021-08-10 | 复旦大学 | 基于深度神经网络的行为识别方法及智能报警装置 |
CN113743387A (zh) * | 2021-11-05 | 2021-12-03 | 中电科新型智慧城市研究院有限公司 | 视频行人重识别方法、装置、电子设备及可读存储介质 |
CN115442519A (zh) * | 2022-08-08 | 2022-12-06 | 珠海普罗米修斯视觉技术有限公司 | 视频处理方法、装置及计算机可读存储介质 |
CN115588204A (zh) * | 2022-09-23 | 2023-01-10 | 神州数码系统集成服务有限公司 | 一种基于ds证据理论的单一字符图像匹配识别方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060102843A1 (en) * | 2004-11-12 | 2006-05-18 | Bazakos Michael E | Infrared and visible fusion face recognition system |
CN101159859A (zh) * | 2007-11-29 | 2008-04-09 | 北京中星微电子有限公司 | 一种运动检测方法、装置以及一种智能监控系统 |
US7965869B2 (en) * | 2003-11-19 | 2011-06-21 | Siemens Medical Solutions Usa, Inc. | System and method for detecting and matching anatomical structures using appearance and shape |
CN102201115A (zh) * | 2011-04-07 | 2011-09-28 | 湖南天幕智能科技有限公司 | 无人机航拍视频实时全景图拼接方法 |
CN103810711A (zh) * | 2014-03-03 | 2014-05-21 | 郑州日兴电子科技有限公司 | 一种用于监控系统视频的关键帧提取方法及其系统 |
US8780195B1 (en) * | 2011-08-31 | 2014-07-15 | The United States Of America As Represented By The Secretary Of The Navy | Fusion of multi-sensor information with operator-learned behavior for automatic and efficient recognition of objects and control of remote vehicles |
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 |
CN107392917A (zh) * | 2017-06-09 | 2017-11-24 | 深圳大学 | 一种基于时空约束的视频显著性检测方法及系统 |
CN107610154A (zh) * | 2017-10-12 | 2018-01-19 | 广西师范大学 | 多源目标的空间直方图表示与跟踪方法 |
US20180053108A1 (en) * | 2016-08-16 | 2018-02-22 | Toyota Jidosha Kabushiki Kaisha | Efficient Driver Action Prediction System Based on Temporal Fusion of Sensor Data Using Deep (Bidirectional) Recurrent Neural Network |
CN108063920A (zh) * | 2017-12-26 | 2018-05-22 | 深圳开立生物医疗科技股份有限公司 | 一种图像冻结方法、装置、设备及计算机可读存储介质 |
CN108509880A (zh) * | 2018-03-21 | 2018-09-07 | 南京邮电大学 | 一种视频人物行为语义识别方法 |
CN108985223A (zh) * | 2018-07-12 | 2018-12-11 | 天津艾思科尔科技有限公司 | 一种人体动作识别方法 |
CN109086698A (zh) * | 2018-07-20 | 2018-12-25 | 大连理工大学 | 一种基于多传感器数据融合的人体动作识别方法 |
US10168794B2 (en) * | 2013-05-23 | 2019-01-01 | Fastvdo Llc | Motion-assisted visual language for human computer interfaces |
-
2019
- 2019-01-21 CN CN201910051721.8A patent/CN109902565B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7965869B2 (en) * | 2003-11-19 | 2011-06-21 | Siemens Medical Solutions Usa, Inc. | System and method for detecting and matching anatomical structures using appearance and shape |
US20060102843A1 (en) * | 2004-11-12 | 2006-05-18 | Bazakos Michael E | Infrared and visible fusion face recognition system |
CN101159859A (zh) * | 2007-11-29 | 2008-04-09 | 北京中星微电子有限公司 | 一种运动检测方法、装置以及一种智能监控系统 |
CN102201115A (zh) * | 2011-04-07 | 2011-09-28 | 湖南天幕智能科技有限公司 | 无人机航拍视频实时全景图拼接方法 |
US8780195B1 (en) * | 2011-08-31 | 2014-07-15 | The United States Of America As Represented By The Secretary Of The Navy | Fusion of multi-sensor information with operator-learned behavior for automatic and efficient recognition of objects and control of remote vehicles |
US10168794B2 (en) * | 2013-05-23 | 2019-01-01 | Fastvdo Llc | Motion-assisted visual language for human computer interfaces |
CN103810711A (zh) * | 2014-03-03 | 2014-05-21 | 郑州日兴电子科技有限公司 | 一种用于监控系统视频的关键帧提取方法及其系统 |
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 |
US20180053108A1 (en) * | 2016-08-16 | 2018-02-22 | Toyota Jidosha Kabushiki Kaisha | Efficient Driver Action Prediction System Based on Temporal Fusion of Sensor Data Using Deep (Bidirectional) Recurrent Neural Network |
CN107392917A (zh) * | 2017-06-09 | 2017-11-24 | 深圳大学 | 一种基于时空约束的视频显著性检测方法及系统 |
CN107610154A (zh) * | 2017-10-12 | 2018-01-19 | 广西师范大学 | 多源目标的空间直方图表示与跟踪方法 |
CN108063920A (zh) * | 2017-12-26 | 2018-05-22 | 深圳开立生物医疗科技股份有限公司 | 一种图像冻结方法、装置、设备及计算机可读存储介质 |
CN108509880A (zh) * | 2018-03-21 | 2018-09-07 | 南京邮电大学 | 一种视频人物行为语义识别方法 |
CN108985223A (zh) * | 2018-07-12 | 2018-12-11 | 天津艾思科尔科技有限公司 | 一种人体动作识别方法 |
CN109086698A (zh) * | 2018-07-20 | 2018-12-25 | 大连理工大学 | 一种基于多传感器数据融合的人体动作识别方法 |
Non-Patent Citations (4)
Title |
---|
JINGEN LIU ET AL.: "《2008 IEEE Conference on Computer Vision and Pattern Recognition》", 5 August 2008 * |
尹宏鹏 等: "《一种基于多特征融合的运动目标跟踪算法》", 《光电子·激光》 * |
王磊: "《基于步态能量图和加权质量向量的步态识别研究》", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
贺兴容 等: "《基于帧差检测技术与区域特征的红外与可见光图像融合算法》", 《现代电子技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414375A (zh) * | 2019-07-08 | 2019-11-05 | 北京国卫星通科技有限公司 | 低空目标的识别方法、装置、存储介质及电子设备 |
CN110414375B (zh) * | 2019-07-08 | 2020-07-17 | 北京国卫星通科技有限公司 | 低空目标的识别方法、装置、存储介质及电子设备 |
CN112329729A (zh) * | 2020-11-27 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 小目标船只检测方法、装置及电子设备 |
CN112329729B (zh) * | 2020-11-27 | 2021-11-23 | 珠海大横琴科技发展有限公司 | 小目标船只检测方法、装置及电子设备 |
CN112818922A (zh) * | 2021-02-25 | 2021-05-18 | 上海数川数据科技有限公司 | 一种基于图像的店员识别方法 |
CN112818922B (zh) * | 2021-02-25 | 2022-08-02 | 上海数川数据科技有限公司 | 一种基于图像的店员识别方法 |
CN113239766A (zh) * | 2021-04-30 | 2021-08-10 | 复旦大学 | 基于深度神经网络的行为识别方法及智能报警装置 |
CN113743387A (zh) * | 2021-11-05 | 2021-12-03 | 中电科新型智慧城市研究院有限公司 | 视频行人重识别方法、装置、电子设备及可读存储介质 |
CN115442519A (zh) * | 2022-08-08 | 2022-12-06 | 珠海普罗米修斯视觉技术有限公司 | 视频处理方法、装置及计算机可读存储介质 |
CN115442519B (zh) * | 2022-08-08 | 2023-12-15 | 珠海普罗米修斯视觉技术有限公司 | 视频处理方法、装置及计算机可读存储介质 |
CN115588204A (zh) * | 2022-09-23 | 2023-01-10 | 神州数码系统集成服务有限公司 | 一种基于ds证据理论的单一字符图像匹配识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109902565B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902565A (zh) | 多特征融合的人体行为识别方法 | |
CN104008370B (zh) | 一种视频人脸识别方法 | |
Migdal et al. | Background subtraction using markov thresholds | |
CN109740419A (zh) | 一种基于Attention-LSTM网络的视频行为识别方法 | |
Micilotta et al. | Real-time upper body detection and 3D pose estimation in monoscopic images | |
Singh et al. | Human activity recognition based on silhouette directionality | |
CN103049758A (zh) | 融合步态光流图和头肩均值形状的远距离身份验证方法 | |
CN108537181A (zh) | 一种基于大间距深度度量学习的步态识别方法 | |
CN113963032A (zh) | 一种融合目标重识别的孪生网络结构目标跟踪方法 | |
CN106599785A (zh) | 人体3d特征身份信息库的建立方法及设备 | |
CN109919137B (zh) | 一种行人结构化特征表达方法 | |
CN114187665A (zh) | 一种基于人体骨架热图的多人步态识别方法 | |
CN107863153A (zh) | 一种基于智能大数据的人体健康特征建模测量方法与平台 | |
Chen et al. | Silhouette-based object phenotype recognition using 3D shape priors | |
Khan et al. | Person identification using spatiotemporal motion characteristics | |
CN115346272A (zh) | 基于深度图像序列的实时摔倒检测方法 | |
Ming et al. | A unified 3D face authentication framework based on robust local mesh SIFT feature | |
CN112487926A (zh) | 一种基于时空图卷积网络的景区投喂行为识别方法 | |
CN110765925B (zh) | 基于改进的孪生神经网络的携带物检测与步态识别方法 | |
Wang et al. | Face tracking using motion-guided dynamic template matching | |
Fan et al. | Human gait recognition based on discrete cosine transform and linear discriminant analysis | |
Ji et al. | Real time 3D face pose discrimination based on active IR illumination | |
Shelke et al. | Gait based gender identification approach | |
Bhatia et al. | 3d human limb detection using space carving and multi-view eigen models | |
Deng et al. | View-invariant gait recognition based on deterministic learning and knowledge fusion |
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 |