CN110135369A - 一种行为识别方法、系统、设备及计算机可读存储介质 - Google Patents
一种行为识别方法、系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110135369A CN110135369A CN201910418910.4A CN201910418910A CN110135369A CN 110135369 A CN110135369 A CN 110135369A CN 201910418910 A CN201910418910 A CN 201910418910A CN 110135369 A CN110135369 A CN 110135369A
- Authority
- CN
- China
- Prior art keywords
- activity recognition
- mhi
- svm classifier
- recognition result
- temporal signatures
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请所提供的一种行为识别方法,包括:获取目标行为的MHI图像,并分别提取MHI图像的空域特征和时域特征;将空域特征和时域特征进行特征融合处理,得到特征向量;将特征向量输入预设行为识别模型,输出识别结果。该方法分别提取MHI图像的空域特征和时域特征,并将空域特征和时域特征进行特征融合处理,得到特征向量。该特征向量相比于相关技术中的MHI特征向量维度更低且包含更多的运行信息,由于维度越低,行为识别的速度越快,包含的运行信息越多,行为识别的准确率越高,该方法能够提高行为识别的速度和准确率。本申请还提供一种行为识别系统、设备及计算机可读存储介质,均具有上述有益效果。
Description
技术领域
本申请涉及计算机视觉应用领域,特别涉及一种行为识别方法、系统、设备及计算机可读存储介质。
背景技术
行为识别在计算机视觉应用中越来越重要,尤其是行为分类。为了理解场景中发生了什么事情,必须进行行为识别。行为识别同样也是人机交互的基础,从视频中识别出人类的行为一直是视频监控、视频分类以及社会场景中的难题,特征提取也是物体检测、物体跟踪以及物体分类的基础。
由于人类的行为具有很大的可变性,所以基于模板的识别方法具有很大的局限性。由于人体的结构特性,需要多维空间去描述,且由于衣服的非刚性,导致行为识别问题进一步复杂化。因此,目前相关技术中是直接将MHI图像对应的MHI特征向量输入非线性模型,得到识别结果。由于MHI特征向量的维度高且包含的运动信息少,导致行为识别的速度慢且准确率低。
因此,如何提高行为识别的速度和准确率是本领域技术人员亟需解决的技术问题。
发明内容
本申请的目的是提供一种行为识别方法、系统、设备及计算机可读存储介质,能够提高行为识别的速度和准确率。
为解决上述技术问题,本申请提供一种行为识别方法,包括:
获取目标行为的MHI图像,并分别提取所述MHI图像的空域特征和时域特征;
将所述空域特征和所述时域特征进行特征融合处理,得到特征向量;
将所述特征向量输入预设行为识别模型,输出识别结果。
优选地,所述将所述特征向量输入预设行为识别模型,输出识别结果,包括:
将所述特征向量输入线性SVM分类器,输出所述识别结果。
优选地,所述将所述特征向量输入线性SVM分类器,输出所述识别结果,包括:
利用训练数据对原始线性SVM分类器进行模型训练,确定SVM分类器参数;
依据所述SVM分类器参数对所述原始线性SVM分类器进行参数配置,得到所述线性SVM分类器;
将所述特征向量输入所述线性SVM分类器,输出所述识别结果。
优选地,所述获取目标行为的MHI图像,并分别提取所述MHI图像的空域特征和时域特征,包括:
获取所述目标行为的所述MHI图像,并利用2DHaar小波变换提取所述MHI图像的所述空域特征;
从所述MHI图像对应的MHI统计直方图中提取所述时域特征。
本申请还提供一种行为识别系统,包括:
特征提取模块,用于获取目标行为的MHI图像,并分别提取所述MHI图像的空域特征和时域特征;
特征融合处理模块,用于将所述空域特征和所述时域特征进行特征融合处理,得到特征向量;
识别结果输出模块,用于将所述特征向量输入预设行为识别模型,输出识别结果。
优选地,所述识别结果输出模块,包括:
识别结果输出单元,用于将所述特征向量输入线性SVM分类器,输出所述识别结果。
优选地,所述识别结果输出单元,包括:
模型训练子单元,用于利用训练数据对原始线性SVM分类器进行模型训练,确定SVM分类器参数;
参数配置子单元,用于依据所述SVM分类器参数对所述原始线性SVM分类器进行参数配置,得到所述线性SVM分类器;
识别结果输出子单元,用于将所述特征向量输入所述线性SVM分类器,输出所述识别结果。
优选地,所述特征提取模块,包括:
空域特征提取单元,用于获取所述目标行为的所述MHI图像,并利用2DHaar小波变换提取所述MHI图像的所述空域特征;
时域特征提取单元,用于从所述MHI图像对应的MHI统计直方图中提取所述时域特征。
本申请还提供一种设备,包括:
存储器和处理器;其中,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序时实现上述所述的行为识别方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的行为识别方法的步骤。
本申请所提供的一种行为识别方法,包括:获取目标行为的MHI图像,并分别提取所述MHI图像的空域特征和时域特征;将所述空域特征和所述时域特征进行特征融合处理,得到特征向量;将所述特征向量输入预设行为识别模型,输出识别结果。
该方法分别提取MHI图像的空域特征和时域特征,并将所述空域特征和所述时域特征进行特征融合处理,得到特征向量。该特征向量相比于相关技术中的MHI特征向量维度更低且包含更多的运行信息,由于维度越低,行为识别的速度越快,包含的运行信息越多,行为识别的准确率越高,该方法能够提高行为识别的速度和准确率。本申请还提供一种行为识别系统、设备及计算机可读存储介质,均具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种行为识别方法的流程图;
图2为本申请实施例所提供的一种行为识别系统的结构框图。
具体实施方式
本申请的核心是提供一种行为识别方法,能够提高行为识别的速度和准确率。本申请的另一核心是提供一种行为识别系统、设备及计算机可读存储介质。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
目前,相关技术在进行行为识别时,直接将MHI图像对应的MHI特征向量输入非线性模型,得到识别结果。由于MHI特征向量的维度高且包含的运动信息少,导致行为识别的速度慢且准确率低。本申请提供的一种行为识别方法,能够提高行为识别的速度和准确率。具体请参考图1,图1为本申请实施例所提供的一种行为识别方法的流程图,该行为识别方法具体包括:
S101、获取目标行为的MHI图像,并分别提取MHI图像的空域特征和时域特征;
本申请实施例对目标行为不作具体限定,应由本领域技术人员根据实际情况作出相应的设定。对于目标行为的MHI图像的获取也不作具体限定,通常是直接从视频序列中获得的,进而可获得对应的MHI特征向量。
通常情况下,本领域技术人员需要耗费大量的存储空间和计算资源来提取运动特征。同样,在检测和识别过程中,处理如此巨大的数据也是同样困难的。因此,目前提出的运动特征,都是将整个运动序列压缩成一张图像来代表运动,最流行的方法有MHI、MMHI和MGO。本申请实施例是用行为识别效果最好的MHI图像表征运动特征。MHI是一个时域模板,该方法的基础是帧差法,它是一种基于视觉的模板方法,通过计算时间段内同一位置的像素变化,将目标运动情况以图像亮度形式表现出来。MHI图像中的每个像素的灰度值表示了在一组视频序列中该位置像素的最近运动情况,最后运动的时刻越接近当前帧,该像素的灰度值越高。因此,MHI图像可以表征人体在一个动作过程中最近的动作情况,这使得MHI被广泛应用于动作识别领域。由于MHI图像是过去某个连续时刻的图像序列的加权系数和,系数随着时间而递减。因此,每个MHI图像包含了之前的图像数据,且离当前帧越近的帧权重越大。
本申请实施例对于提取MHI图像的空域特征和时域特征的方式不作具体限定。进一步地,上述获取目标行为的MHI图像,并分别提取MHI图像的空域特征和时域特征,通常包括:获取目标行为的MHI图像,并利用2DHaar小波变换提取MHI图像的空域特征;从MHI图像对应的MHI统计直方图中提取时域特征。下面分别对2DHaar小波变换和MHI统计直方图进行说明:
(1)2DHaar小波变换:
小波变换可以通过Haar小波基函数将一个信号变成时间-频率场,然后进行局部分析。对于离散信号,可以通过Mallat的快速算法来进行离散小波变换。Mallat的算法是信号处理中经典的双通道子带编码器方案,适用于小波分解和小波重建,该算法为金字塔结构,其基础操作主要是卷积和抽取。对于连续信号,则通过相应的迭代得到离散序列,其即为本领域技术人员所需要的信号的小波变换。虽然图像是二维的,但这个二维其实是可以分离为两个独立空间,这就意味着,图像的小波变换可以通过一维的小波变换来实现,即它可以先在所有行上实现,然后再在所有列上实现。本申请实施例只保留Haar小波变换的低频部分,这部分在低维可以很好的表示一个MHI图像的空域信息,高频部分更适合表示一些边缘部分,而边缘部分在本系统中并不重要,且高频部分对噪声非常敏感。
(2)MHI统计直方图:
MHI图像的直方图统计的是除0之外每个值出现的频次,因为值为0的点不包含任何运动。所以,本申请实施例中把值从1到255的直方图划分为一个或者多个组,且每组数据代表了一个运动轨迹。由于随着时间的推移,加权系数是逐次递减的,所以越是靠近当前时间的运动,越是在直方图的左方,靠当前时间越久的运动,则越是在直方图的右边。每个分组的分布代表了运动的速度,窄分组代表了快速的运动,宽分组代表了慢速的运动。
本申请实施例中不管是2DHaar小波变换,还是MHI的统计直方图,都属于计算复杂度很低的算法。另外由于本申请实施例只保留了小波变换的低频部分,故后续得到的特征向量要比原始的MHI特征向量维度要低。
S102、将空域特征和时域特征进行特征融合处理,得到特征向量;
S103、将特征向量输入预设行为识别模型,输出识别结果。
本申请实施例为了提高行为识别的速度和准确率,将运动历史图(MHI图像)作为基本特征,分别提取MHI图像的空域特征和时域特征,将空域特征和时域特征进行特征融合处理,得到特征向量。该特征向量比MHI特征向量维度更低且包含更多的运行信息,由于维度越低,行为识别的速度越快,包含的运行信息越多,行为识别的准确率越高,故将特征向量输入预设行为识别模型得到识别结果又快又准确。本申请实施例对预设行为识别模型不作具体限定,通常选用线性SVM分类器作为上述预设行为识别模型。
进一步地,上述将特征向量输入预设行为识别模型,输出识别结果,通常包括:将特征向量输入线性SVM分类器,输出识别结果。进一步地,上述将特征向量输入线性SVM分类器,输出识别结果,通常包括:利用训练数据对原始线性SVM分类器进行模型训练,确定SVM分类器参数;依据SVM分类器参数对原始线性SVM分类器进行参数配置,得到线性SVM分类器;将特征向量输入线性SVM分类器,输出识别结果。
SVM(支持向量机)是一个广泛用于各个领域,如文本分类、人脸识别等场景中,可以达到实时效果的模型。由于在很多现实问题中,SVM都能达到很好的效果,因此本申请实施例中也采用SVM分类器。在高维空间中,通过构造最大分离超平面用来进行SVM二分类。在超平面的每一侧,都有一个平行的超平面用来划分数据,分割超平面是使两个平行超平面的最大化距离下的超平面。
如果有一组训练数据{xi|xi∈Rd}及其标签{yi|yi=±1},归一化的软间隔支持向量机就变成了如下的约束优化问题:
其中,
<xi,ω>+b≥1-ξi,yi=1
<xi,ω>+b≤-1+ξi,yi=-1
ξi≥0
Rd表示xi的取值范围,C是一个惩罚参数,ξi则为一系列松弛变量,向量ω∈Rd垂直于超平面。b为偏移参数,可以增加超平面之间的间隔。该问题可以通过拉格朗日乘数法转化为Wolfe对偶问题,且可以通过二次规划的方法来求解。
权重向量的最优化解为:
ω=∑iαiyixi
其中,0≤αi≤C,很明显,ω看成αi>0的支持向量的线性组合。对于一个测试的特征向量x,决策函数η和估计标签h为:
h(x)=sign(η(x))=sign(<ω,x>+b)
多类SVM常常通过结合几个二类SVM来得到,在任一个二值SVM中,一个类别被标记为1,另一个类别被标记为-1。
如果有M个类,SVM方法会建立M个二值分类器,在测试阶段,每一个分类器都有一个置信系数{ηj(x)|j=1,2,…,M},且置信系数最大的分类器k将会赋给样本x:
本申请实施例的行为识别问题,也是一个多分类问题,对于每个SVM,一个类别为1,其他类别都为-1。训练之后,SVM分类器由两个参数w和b组成,将这两个参数进行保存。在以后的识别过程中,对于每一个分类器,先计算MHI图像与w的内积,然后和向量b相加,将计算结果中的最大值作为行为识别的最终标签,也即识别结果。本申请实施例选择线性SVM作为分类器有如下原因:首先,SVM是一个在很多实际场景中已经达到很好效果的分类器;其次,SVM可以处理任意维度的特征向量,这也就意味着,本申请实施例在选择特征向量时有足够的自由度。最后,SVM分类器相比于相关技术中的非线性模型计算复杂度大幅降低,故在识别过程中速度可以达到很快。
本申请提供的行为识别方法分别提取MHI图像的空域特征和时域特征,并将空域特征和时域特征进行特征融合处理,得到特征向量。该特征向量相比于相关技术中的MHI特征向量维度更低且包含更多的运行信息,由于维度越低,行为识别的速度越快,包含的运行信息越多,行为识别的准确率越高,该方法能够提高行为识别的速度和准确率。此外,该方法也不像其他算法需要实时的进行跟踪,只是基于简单的特征,但是可以达到很好的识别效果,且满足各种嵌入式环境下的实时运算。
下面对本申请实施例提供的一种行为识别系统、设备及计算机可读存储介质进行介绍,下文描述的行为识别系统、设备及计算机可读存储介质与上文描述的行为识别方法可相互对应参照。
请参考图2,图2为本申请实施例所提供的一种行为识别系统的结构框图;该行为识别系统包括:
特征提取模块201,用于获取目标行为的MHI图像,并分别提取MHI图像的空域特征和时域特征;
特征融合处理模块202,用于将空域特征和时域特征进行特征融合处理,得到特征向量;
识别结果输出模块203,用于将特征向量输入预设行为识别模型,输出识别结果。
基于上述实施例,本实施例中识别结果输出模块203,通常包括:
识别结果输出单元,用于将特征向量输入线性SVM分类器,输出识别结果。
基于上述实施例,本实施例中识别结果输出单元,通常包括:
模型训练子单元,用于利用训练数据对原始线性SVM分类器进行模型训练,确定SVM分类器参数;
参数配置子单元,用于依据SVM分类器参数对原始线性SVM分类器进行参数配置,得到线性SVM分类器;
识别结果输出子单元,用于将特征向量输入线性SVM分类器,输出识别结果。
基于上述实施例,本实施例中特征提取模块201,通常包括:
空域特征提取单元,用于获取目标行为的MHI图像,并利用2DHaar小波变换提取MHI图像的空域特征;
时域特征提取单元,用于从MHI图像对应的MHI统计直方图中提取时域特征。
本申请还提供一种设备,包括:
存储器和处理器;其中,存储器用于存储计算机程序,处理器用于执行计算机程序时实现上述任意实施例的行为识别方法的步骤。
本申请还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述任意实施例的行为识别方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种行为识别方法、系统、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种行为识别方法,其特征在于,包括:
获取目标行为的MHI图像,并分别提取所述MHI图像的空域特征和时域特征;
将所述空域特征和所述时域特征进行特征融合处理,得到特征向量;
将所述特征向量输入预设行为识别模型,输出识别结果。
2.根据权利要求1所述的行为识别方法,其特征在于,所述将所述特征向量输入预设行为识别模型,输出识别结果,包括:
将所述特征向量输入线性SVM分类器,输出所述识别结果。
3.根据权利要求2所述的行为识别方法,其特征在于,所述将所述特征向量输入线性SVM分类器,输出所述识别结果,包括:
利用训练数据对原始线性SVM分类器进行模型训练,确定SVM分类器参数;
依据所述SVM分类器参数对所述原始线性SVM分类器进行参数配置,得到所述线性SVM分类器;
将所述特征向量输入所述线性SVM分类器,输出所述识别结果。
4.根据权利要求1所述的行为识别方法,其特征在于,所述获取目标行为的MHI图像,并分别提取所述MHI图像的空域特征和时域特征,包括:
获取所述目标行为的所述MHI图像,并利用2DHaar小波变换提取所述MHI图像的所述空域特征;
从所述MHI图像对应的MHI统计直方图中提取所述时域特征。
5.一种行为识别系统,其特征在于,包括:
特征提取模块,用于获取目标行为的MHI图像,并分别提取所述MHI图像的空域特征和时域特征;
特征融合处理模块,用于将所述空域特征和所述时域特征进行特征融合处理,得到特征向量;
识别结果输出模块,用于将所述特征向量输入预设行为识别模型,输出识别结果。
6.根据权利要求5所述的行为识别系统,其特征在于,所述识别结果输出模块,包括:
识别结果输出单元,用于将所述特征向量输入线性SVM分类器,输出所述识别结果。
7.根据权利要求6所述的行为识别系统,其特征在于,所述识别结果输出单元,包括:
模型训练子单元,用于利用训练数据对原始线性SVM分类器进行模型训练,确定SVM分类器参数;
参数配置子单元,用于依据所述SVM分类器参数对所述原始线性SVM分类器进行参数配置,得到所述线性SVM分类器;
识别结果输出子单元,用于将所述特征向量输入所述线性SVM分类器,输出所述识别结果。
8.根据权利要求5所述的行为识别系统,其特征在于,所述特征提取模块,包括:
空域特征提取单元,用于获取所述目标行为的所述MHI图像,并利用2DHaar小波变换提取所述MHI图像的所述空域特征;
时域特征提取单元,用于从所述MHI图像对应的MHI统计直方图中提取所述时域特征。
9.一种设备,其特征在于,包括:
存储器和处理器;其中,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序时实现如权利要求1至4任一项所述的行为识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的行为识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910418910.4A CN110135369A (zh) | 2019-05-20 | 2019-05-20 | 一种行为识别方法、系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910418910.4A CN110135369A (zh) | 2019-05-20 | 2019-05-20 | 一种行为识别方法、系统、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135369A true CN110135369A (zh) | 2019-08-16 |
Family
ID=67571527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910418910.4A Pending CN110135369A (zh) | 2019-05-20 | 2019-05-20 | 一种行为识别方法、系统、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135369A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079594A (zh) * | 2019-12-04 | 2020-04-28 | 成都考拉悠然科技有限公司 | 一种基于双流协同网络的视频动作分类识别方法 |
CN111523477A (zh) * | 2020-04-24 | 2020-08-11 | 河南大学 | 一种基于运动历史图像和集成学习器的视频动作识别方法 |
CN111709368A (zh) * | 2020-06-17 | 2020-09-25 | 合肥富煌君达高科信息技术有限公司 | 一种基于运动历史图像的人体行为识别方法及系统 |
CN111783640A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 检测方法、装置、设备以及存储介质 |
CN112288050A (zh) * | 2020-12-29 | 2021-01-29 | 中电科新型智慧城市研究院有限公司 | 一种异常行为识别方法、识别装置、终端设备及存储介质 |
CN112954312A (zh) * | 2021-02-07 | 2021-06-11 | 福州大学 | 一种融合时空特征的无参考视频质量评估方法 |
CN114663980A (zh) * | 2022-04-01 | 2022-06-24 | 北京百度网讯科技有限公司 | 行为识别方法、深度学习模型的训练方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043967A (zh) * | 2010-12-08 | 2011-05-04 | 中国科学院自动化研究所 | 一种有效的运动目标行为建模与识别方法 |
CN102222215A (zh) * | 2011-05-24 | 2011-10-19 | 北京工业大学 | 基于二级小波包分解和完全主成分分析的步态识别方法 |
CN102426171A (zh) * | 2011-08-22 | 2012-04-25 | 陕西科技大学 | 一种基于小波理论的印刷品墨斑测量方法 |
CN103824063A (zh) * | 2014-03-06 | 2014-05-28 | 西安电子科技大学 | 基于稀疏表示的动态手势识别方法 |
CN104202609A (zh) * | 2014-09-25 | 2014-12-10 | 深圳市云朗网络科技有限公司 | 一种视频编码方法及视频解码方法 |
CN105469050A (zh) * | 2015-11-24 | 2016-04-06 | 南京师范大学 | 基于局部时空特征描述与金字塔词汇树的视频行为识别方法 |
CN107491740A (zh) * | 2017-07-28 | 2017-12-19 | 北京科技大学 | 一种基于面部表情分析的新生儿疼痛识别方法 |
CN107491731A (zh) * | 2017-07-17 | 2017-12-19 | 南京航空航天大学 | 一种面向精确打击的地面运动目标检测与识别方法 |
-
2019
- 2019-05-20 CN CN201910418910.4A patent/CN110135369A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043967A (zh) * | 2010-12-08 | 2011-05-04 | 中国科学院自动化研究所 | 一种有效的运动目标行为建模与识别方法 |
CN102222215A (zh) * | 2011-05-24 | 2011-10-19 | 北京工业大学 | 基于二级小波包分解和完全主成分分析的步态识别方法 |
CN102426171A (zh) * | 2011-08-22 | 2012-04-25 | 陕西科技大学 | 一种基于小波理论的印刷品墨斑测量方法 |
CN103824063A (zh) * | 2014-03-06 | 2014-05-28 | 西安电子科技大学 | 基于稀疏表示的动态手势识别方法 |
CN104202609A (zh) * | 2014-09-25 | 2014-12-10 | 深圳市云朗网络科技有限公司 | 一种视频编码方法及视频解码方法 |
CN105469050A (zh) * | 2015-11-24 | 2016-04-06 | 南京师范大学 | 基于局部时空特征描述与金字塔词汇树的视频行为识别方法 |
CN107491731A (zh) * | 2017-07-17 | 2017-12-19 | 南京航空航天大学 | 一种面向精确打击的地面运动目标检测与识别方法 |
CN107491740A (zh) * | 2017-07-28 | 2017-12-19 | 北京科技大学 | 一种基于面部表情分析的新生儿疼痛识别方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079594A (zh) * | 2019-12-04 | 2020-04-28 | 成都考拉悠然科技有限公司 | 一种基于双流协同网络的视频动作分类识别方法 |
CN111079594B (zh) * | 2019-12-04 | 2023-06-06 | 成都考拉悠然科技有限公司 | 一种基于双流协同网络的视频动作分类识别方法 |
CN111523477A (zh) * | 2020-04-24 | 2020-08-11 | 河南大学 | 一种基于运动历史图像和集成学习器的视频动作识别方法 |
CN111523477B (zh) * | 2020-04-24 | 2023-08-01 | 河南大学 | 一种基于运动历史图像和集成学习器的视频动作识别方法 |
CN111709368A (zh) * | 2020-06-17 | 2020-09-25 | 合肥富煌君达高科信息技术有限公司 | 一种基于运动历史图像的人体行为识别方法及系统 |
CN111709368B (zh) * | 2020-06-17 | 2021-10-26 | 合肥富煌君达高科信息技术有限公司 | 一种基于运动历史图像的人体行为识别方法及系统 |
CN111783640A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 检测方法、装置、设备以及存储介质 |
CN112288050A (zh) * | 2020-12-29 | 2021-01-29 | 中电科新型智慧城市研究院有限公司 | 一种异常行为识别方法、识别装置、终端设备及存储介质 |
CN112954312A (zh) * | 2021-02-07 | 2021-06-11 | 福州大学 | 一种融合时空特征的无参考视频质量评估方法 |
CN112954312B (zh) * | 2021-02-07 | 2024-01-05 | 福州大学 | 一种融合时空特征的无参考视频质量评估方法 |
CN114663980A (zh) * | 2022-04-01 | 2022-06-24 | 北京百度网讯科技有限公司 | 行为识别方法、深度学习模型的训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135369A (zh) | 一种行为识别方法、系统、设备及计算机可读存储介质 | |
Kaur et al. | A comprehensive review of object detection with deep learning | |
WO2018192570A1 (zh) | 时域动作检测方法和系统、电子设备、计算机存储介质 | |
CN112949572B (zh) | 基于Slim-YOLOv3的口罩佩戴情况检测方法 | |
Xian et al. | Evaluation of low-level features for real-world surveillance event detection | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
Zuo et al. | Gaze-informed egocentric action recognition for memory aid systems | |
Yang et al. | Color texture segmentation based on image pixel classification | |
Chen et al. | Fast detection of human using differential evolution | |
CN115527269B (zh) | 一种人体姿态图像智能识别方法及系统 | |
CN114842238A (zh) | 一种嵌入式乳腺超声影像的识别方法 | |
CN114723010B (zh) | 一种异步事件数据的自动学习增强方法及系统 | |
Li et al. | Recognizing human actions by BP-AdaBoost algorithm under a hierarchical recognition framework | |
Wong et al. | Real-time adaptive hand motion recognition using a sparse bayesian classifier | |
Fu et al. | A novel approach for anomaly event detection in videos based on autoencoders and SE networks | |
Javed et al. | Human movement recognition using euclidean distance: a tricky approach | |
CN105893967B (zh) | 基于时序保留性时空特征的人体行为分类检测方法及系统 | |
CN112528077A (zh) | 基于视频嵌入的视频人脸检索方法及系统 | |
CN115082840B (zh) | 基于数据组合和通道相关性的动作视频分类方法和装置 | |
CN113642513B (zh) | 一种基于自注意力及标记分布学习的动作质量评估方法 | |
CN113537240B (zh) | 一种基于雷达序列图像的形变区智能提取方法及系统 | |
Teršek et al. | Re-evaluation of the CNN-based state-of-the-art crowd-counting methods with enhancements | |
Wang | Crowd density estimation based On multi-scale information fusion And matching network in scenic spots | |
CN112926502A (zh) | 基于核化双群稀疏学习的微表情识别方法及系统 | |
Meng et al. | Motion information combination for fast human action recognition. |
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 |