CN110752003A - 基于人工智能技术模式识别的应用于健康预防的识别技术 - Google Patents
基于人工智能技术模式识别的应用于健康预防的识别技术 Download PDFInfo
- Publication number
- CN110752003A CN110752003A CN201910830291.XA CN201910830291A CN110752003A CN 110752003 A CN110752003 A CN 110752003A CN 201910830291 A CN201910830291 A CN 201910830291A CN 110752003 A CN110752003 A CN 110752003A
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- pattern recognition
- motion type
- identification
- type information
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明涉及人工智能技术领域,具体为基于人工智能技术模式识别的应用于健康预防的识别技术,包括如下步骤:S1:运动类型信息采集:对生物运动类型信息进行采集,获取相关数据,建立预留模版,组建运动类型数据库;S2:运动类型信息比对:对生物运动类型信息进行测量,获取相关数据,然后统计样本与预留模版数据一致程度,经比对阈值的误差达到分析判别的目的;S3:运动类型信息完善:开放运动类型识别标记口,引入用户共同标记,增强视频识别自我学习和完善能力,进而降低“拒识率”和“误识率”。该基于人工智能技术模式识别的应用于健康预防的识别技术适用性广,该专利技术不仅可应用于健康行业,亦可应用于竞技行业、体育行业等。
Description
技术领域
本发明涉及人工智能技术领域,具体为基于人工智能技术模式识别的应用于健康预防的识别技术。
背景技术
健康行业是21世纪的朝阳产业和财富集中的热点产业。
健康中国,预防为主。健康预防离不开合理运动和健康饮食。随着人民群众健康意识的增强,对于个人运动管理的诉求愈发强烈,而当前市场针对个人运动管理的软件虽层出不穷,但均依赖个人良好的自控力,需用户主动打开软件,登记运动类型和运动消耗,路径繁琐,登记成本较高,运动消耗准确率低。这是其一。
其二,当前阶段下,模式识别是研究如何使机器具有感知能力,主要研究视觉模式和听觉模式的识别。如识别物体、地形、图象、字体(如签字) 等。在日常生活各方面以及军事上都有广大的用途。模式识别技术具有"拒识率"和"误识率"的缺陷,有效采样获取的特征点少,容易引起认证误判。
发明内容
本发明的目的在于提供基于人工智能技术模式识别的应用于健康预防的识别技术,以解决上述背景技术提出的用户自我运动管理门槛过高和降低模式识别技术"拒识率"和"误识率"的缺陷的问题。
为实现上述目的,本发明提供如下技术方案:基于人工智能技术模式识别的应用于健康预防的识别技术,包括如下步骤:
S1:运动类型信息采集:对生物运动类型信息进行采集,获取相关数据,建立预留模版,组建运动类型数据库;
S2:运动类型信息比对:对生物运动类型信息进行测量,获取相关数据,然后统计样本与预留模版数据一致程度,经比对阈值的误差达到分析判别的目的;
S3:运动类型信息完善:开放运动类型识别标记口,引入用户共同标记,增强视频识别自我学习和完善能力,不断增强精准度,进而降低“拒识率”和“误识率”。
优选的,所述运动类型信息采集采用背景差分法运动目标检测方法中最常见的一种方法,基本思想就是将视频图像中的某一帧当前图像与背景图像 (背景图像是提前获取的没有运动目标的图像)做差,得到差值图像,通过设一阈值,得到差分图像,差分图像中的区域就是原图像中需要检测出的运动目标区域;
根据前景检测,背景维持和后处理方法,存在几种不同的背景差方法,若设It,Bt分别为当前帧与背景帧图像,T为前景灰度阈值,则方法流程如下:
S101:取前几帧图像的平均值,将其作为初始的背景图像Bt;
S102:当前帧图像与背景图像作灰度减运算,并取绝对值;公式即为 |It(基于人工智能技术模式识别的应用于健康预防的识别技术,y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术,y)||It(基于人工智能技术模式识别的应用于健康预防的识别技术,y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术,y)|;
S103:对当前帧的像素(基于人工智能技术模式识别的应用于健康预防的识别技术,y),若有|It(基于人工智能技术模式识别的应用于健康预防的识别技术,y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术, y)|>T|It(基于人工智能技术模式识别的应用于健康预防的识别技术, y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术,y)|>T,则该像素点为前景点;
S104:用当前帧图像对背景图像进行更新。
优选的,所述运动类型信息比对采用ViBe检测方法,可以把物体检测看出一个分类问题,也就是来确定一个像素点是否属于背景点,在ViBe模型中,背景模型为每个背景点存储了一个样本集,然后将每一个新的像素值和样本集进行比较来判断是否属于背景点,可以知道如果一个新的观察值属于背景点那么它应该和样本集中的采样值比较接近。
优选的,所述运动类型信息完善机器学习算法采用神经网络,神经网络适合一个input可能落入至少两个类别里:NN由若干层神经元,和它们之间的联系组成,第一层是input层,最后一层是output层,在hidden层和output 层都有自己的classifier;
input输入到网络中,被激活,计算的分数被传递到下一层,激活后面的神经层,最后output层的节点上的分数代表属于各类的分数,下图例子得到分类结果为class1;同样的input被传输到不同的节点上,之所以会得到不同的结果是因为各自节点有不同的weights和bias,这也就是forward propagation;
通过大量的类型录入、后期补充,以及机器学习算法,不断完善运动类型库。
优选的,所述的S1:运动类型信息采集;S2:运动类型信息比对;S3:运动类型信息完善构成运动类型信息维护。
与现有技术相比,本发明的有益效果是:该基于人工智能技术模式识别的应用于健康预防的识别技术适用性广,该专利技术不仅可应用于健康行业,亦可应用于竞技行业、体育行业等;拓展性高,具有不断学习,不断完善的潜力,可在类型增加的情况下,不断降低“拒识率”和“误识率”;易操作性,用户学习成本低,大大降低了自我运动管理的准入门槛。
附图说明
图1为本发明工作流程详细步骤示意图;
图2为本发明工作流程简易框图。
具体实施方式
下面将结合本发明实施例中的附图,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。
请参阅图1-2,本发明提供一种技术方案:基于人工智能技术模式识别的应用于健康预防的识别技术,包括如下步骤:
S1:运动类型信息采集:对生物运动类型信息进行采集,获取相关数据,建立预留模版,组建运动类型数据库;
Y=F(X)
——X的定义域去取自特征集
——Y的值域为类别的标号集
——F是模式识别的判别方法
所述运动类型信息采集采用背景差分法运动目标检测方法中最常见的一种方法,基本思想就是将视频图像中的某一帧当前图像与背景图像(背景图像是提前获取的没有运动目标的图像)做差,得到差值图像,通过设一阈值,得到差分图像,差分图像中的区域就是原图像中需要检测出的运动目标区域;
根据前景检测,背景维持和后处理方法,存在几种不同的背景差方法,若设It,Bt分别为当前帧与背景帧图像,T为前景灰度阈值,则方法流程如下:
S101:取前几帧图像的平均值,将其作为初始的背景图像Bt;
S102:当前帧图像与背景图像作灰度减运算,并取绝对值;公式即为 |It(基于人工智能技术模式识别的应用于健康预防的识别技术,y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术,y)||It(基于人工智能技术模式识别的应用于健康预防的识别技术,y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术,y)|;
S103:对当前帧的像素(基于人工智能技术模式识别的应用于健康预防的识别技术,y),若有|It(基于人工智能技术模式识别的应用于健康预防的识别技术,y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术, y)|>T|It(基于人工智能技术模式识别的应用于健康预防的识别技术, y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术,y)|>T,则该像素点为前景点;
S104:用当前帧图像对背景图像进行更新;
S2:运动类型信息比对:对生物运动类型信息进行测量,获取相关数据,然后统计样本与预留模版数据一致程度,经比对阈值的误差达到分析判别的目的;
所述运动类型信息比对采用ViBe检测方法,可以把物体检测看出一个分类问题,也就是来确定一个像素点是否属于背景点,在ViBe模型中,背景模型为每个背景点存储了一个样本集,然后将每一个新的像素值和样本集进行比较来判断是否属于背景点,可以知道如果一个新的观察值属于背景点那么它应该和样本集中的采样值比较接近;
在该算法中,一帧图像被分割为M>N或者是更为常用的N>N像素大小的块。在(N2w)>(N2w)大小的匹配窗中,当前块与前一帧中对应的块相比较。基于匹配标准,找出最佳匹配,得到当前块的替代位置。常用的匹配标准有平均平方误差(MSE)和平均绝对误差(MAE),定义如下:
其中,f(m,n)表示当前块位置(m,n),f(mi,n)表示相应的块在前一帧中位置为(mi,n);
S3:运动类型信息完善:开放运动类型识别标记口,引入用户共同标记,增强视频识别自我学习和完善能力,不断增强精准度,进而降低“拒识率”和“误识率”;
所述运动类型信息完善机器学习算法采用神经网络,神经网络适合一个 input可能落入至少两个类别里:NN由若干层神经元,和它们之间的联系组成,第一层是input层,最后一层是output层,在hidden层和output层都有自己的classifier;
input输入到网络中,被激活,计算的分数被传递到下一层,激活后面的神经层,最后output层的节点上的分数代表属于各类的分数,下图例子得到分类结果为class1;同样的input被传输到不同的节点上,之所以会得到不同的结果是因为各自节点有不同的weights和bias,这也就是forward propagation;
通过大量的类型录入、后期补充,以及机器学习算法,不断完善运动类型库;
运动类型库部署主要为预留模版部署,该处牵涉到"拒识率"和"误识率";
预留模版部署:依据采集到的数据,建立基本运动类型库。针对某一运动类型,建立其预留模版阈值,阈值范围内皆可判定其运动类型;
误识率(FAR):假定由于指纹识别算法性能的原因,把本应该匹配失败的判为匹配成功,若假定这种错误次数为1000次。理论情况下,来自同一个视频运动的图像都成功匹配,次数为7*8*110=6160次,匹配的总次数,即880 ×(880-1)=773520次。匹配失败次数应为773520-6160=767360次。则误识率 FAR为1000/767360*100%=0.13%;
拒识率(FRR):假定由于视频运动识别算法性能的原因,把本应该匹配成功的判为匹配失败,若这种错误次数为160次。则拒识率为160/6160=2.6%;
通过不断完善运动类型库不断降低无视率和拒识率。
尽管参照前述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,其依然可以对前述各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,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 (5)
1.基于人工智能技术模式识别的应用于健康预防的识别技术,其特征在于:包括如下步骤:
S1:运动类型信息采集:对生物运动类型信息进行采集,获取相关数据,建立预留模版,组建运动类型数据库;
S2:运动类型信息比对:对生物运动类型信息进行测量,获取相关数据,然后统计样本与预留模版数据一致程度,经比对阈值的误差达到分析判别的目的;
S3:运动类型信息完善:开放运动类型识别标记口,引入用户共同标记,增强视频识别自我学习和完善能力,不断增强精准度,进而降低“拒识率”和“误识率”。
2.根据权利要求1所述的基于人工智能技术模式识别的应用于健康预防的识别技术,其特征在于:所述的运动类型信息采集采用背景差分法运动目标检测方法中最常见的一种方法,基本思想就是将视频图像中的某一帧当前图像与背景图像(背景图像是提前获取的没有运动目标的图像)做差,得到差值图像,通过设一阈值,得到差分图像,差分图像中的区域就是原图像中需要检测出的运动目标区域;
根据前景检测,背景维持和后处理方法,存在几种不同的背景差方法,若设It,Bt分别为当前帧与背景帧图像,T为前景灰度阈值,则方法流程如下:
S101:取前几帧图像的平均值,将其作为初始的背景图像Bt;
S102:当前帧图像与背景图像作灰度减运算,并取绝对值;公式即为|It(基于人工智能技术模式识别的应用于健康预防的识别技术,y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术,y)||It(基于人工智能技术模式识别的应用于健康预防的识别技术,y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术,y)|;
S103:对当前帧的像素(基于人工智能技术模式识别的应用于健康预防的识别技术,y),若有|It(基于人工智能技术模式识别的应用于健康预防的识别技术,y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术,y)|>T|It(基于人工智能技术模式识别的应用于健康预防的识别技术,y)-Bt(基于人工智能技术模式识别的应用于健康预防的识别技术,y)|>T,则该像素点为前景点;
S104:用当前帧图像对背景图像进行更新。
3.根据权利要求1所述的基于人工智能技术模式识别的应用于健康预防的识别技术,其特征在于:所述的运动类型信息比对采用ViBe检测方法,可以把物体检测看出一个分类问题,也就是来确定一个像素点是否属于背景点,在ViBe模型中,背景模型为每个背景点存储了一个样本集,然后将每一个新的像素值和样本集进行比较来判断是否属于背景点,可以知道如果一个新的观察值属于背景点那么它应该和样本集中的采样值比较接近;
具体的讲,我们记v(基于人工智能技术模式识别的应用于健康预防的识别技术):基于人工智能技术模式识别的应用于健康预防的识别技术点处的像素值;M(基于人工智能技术模式识别的应用于健康预防的识别技术)={V1,V2,…VN}为基于人工智能技术模式识别的应用于健康预防的识别技术处的背景样本集(样本集大小为N);SR(v(基于人工智能技术模式识别的应用于健康预防的识别技术)):以基于人工智能技术模式识别的应用于健康预防的识别技术为中心R为半径的区域,如果M(基于人工智能技术模式识别的应用于健康预防的识别技术)[{SR(v(基于人工智能技术模式识别的应用于健康预防的识别技术))∩{v1,v2,...,vN}}]大于一个给定的阈值#min,那么就认为基于人工智能技术模式识别的应用于健康预防的识别技术点属于背景点;
不同运动类型对应不同的背景点,就可以结合视频对其进行类型识别。
4.根据权利要求1所述的基于人工智能技术模式识别的应用于健康预防的识别技术,其特征在于:所述的运动类型信息完善机器学习算法采用神经网络,神经网络适合一个input可能落入至少两个类别里:NN由若干层神经元,和它们之间的联系组成,第一层是input层,最后一层是output层,在hidden层和output层都有自己的classifier;
input输入到网络中,被激活,计算的分数被传递到下一层,激活后面的神经层,最后output层的节点上的分数代表属于各类的分数,下图例子得到分类结果为class 1;同样的input被传输到不同的节点上,之所以会得到不同的结果是因为各自节点有不同的weights和bias,这也就是forward propagation;
通过大量的类型录入、后期补充,以及机器学习算法,不断完善运动类型库。
5.根据权利要求1所述的基于人工智能技术模式识别的应用于健康预防的识别技术,其特征在于:所述的S1:运动类型信息采集;S2:运动类型信息比对;S3:运动类型信息完善构成运动类型信息维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910830291.XA CN110752003A (zh) | 2019-09-04 | 2019-09-04 | 基于人工智能技术模式识别的应用于健康预防的识别技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910830291.XA CN110752003A (zh) | 2019-09-04 | 2019-09-04 | 基于人工智能技术模式识别的应用于健康预防的识别技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110752003A true CN110752003A (zh) | 2020-02-04 |
Family
ID=69276144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910830291.XA Pending CN110752003A (zh) | 2019-09-04 | 2019-09-04 | 基于人工智能技术模式识别的应用于健康预防的识别技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110752003A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952256A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种基于视频信息的交叉口处车辆的检测方法 |
CN108198207A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 基于改进的Vibe模型和BP神经网络的多运动目标跟踪方法 |
CN109325466A (zh) * | 2018-10-17 | 2019-02-12 | 兰州交通大学 | 一种基于动作识别技术的智能运动指导系统及方法 |
US20190197696A1 (en) * | 2017-08-04 | 2019-06-27 | Université de Liège | Foreground and background detection method |
-
2019
- 2019-09-04 CN CN201910830291.XA patent/CN110752003A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952256A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种基于视频信息的交叉口处车辆的检测方法 |
US20190197696A1 (en) * | 2017-08-04 | 2019-06-27 | Université de Liège | Foreground and background detection method |
CN108198207A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 基于改进的Vibe模型和BP神经网络的多运动目标跟踪方法 |
CN109325466A (zh) * | 2018-10-17 | 2019-02-12 | 兰州交通大学 | 一种基于动作识别技术的智能运动指导系统及方法 |
Non-Patent Citations (1)
Title |
---|
王科俊等: "视频图像序列运动目标检测及轮廓提取", 《微计算机信息》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832672B (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
CN111339990B (zh) | 一种基于人脸特征动态更新的人脸识别系统和方法 | |
CN103971386B (zh) | 一种动态背景场景下的前景检测方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN111582092B (zh) | 一种基于人体骨架的行人异常行为检测方法 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN110929679A (zh) | 一种基于gan的无监督自适应行人重识别方法 | |
CN107145862A (zh) | 一种基于霍夫森林的多特征匹配多目标跟踪方法 | |
CN110298297A (zh) | 火焰识别方法和装置 | |
CN106934386A (zh) | 一种基于自启发式策略的自然场景文字检测方法及系统 | |
CN112926522B (zh) | 一种基于骨骼姿态与时空图卷积网络的行为识别方法 | |
CN113221655B (zh) | 基于特征空间约束的人脸欺骗检测方法 | |
Liu et al. | Automatically face detection based on BP neural network and Bayesian decision | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
Wang et al. | Background subtraction on depth videos with convolutional neural networks | |
CN108764338A (zh) | 一种应用于视频分析的行人跟踪算法 | |
CN106874867A (zh) | 一种融合肤色及轮廓筛选的人脸自适应检测与跟踪方法 | |
CN116310754A (zh) | 检测伪造人脸图像视频的增量学习方法及系统 | |
CN108509825A (zh) | 一种基于视频流的人脸跟踪识别方法 | |
CN112307894A (zh) | 一种社区监控场景下基于皱纹特征和姿态特征的行人年龄识别方法 | |
CN110046601B (zh) | 针对十字路口场景的行人检测方法 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
Rizo-Rodríguez et al. | An illumination quality measure for face recognition | |
CN110752003A (zh) | 基于人工智能技术模式识别的应用于健康预防的识别技术 |
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: 20200204 |