CN112395991A - 一种独居老人医疗监护动作识别算法 - Google Patents

一种独居老人医疗监护动作识别算法 Download PDF

Info

Publication number
CN112395991A
CN112395991A CN202011297964.9A CN202011297964A CN112395991A CN 112395991 A CN112395991 A CN 112395991A CN 202011297964 A CN202011297964 A CN 202011297964A CN 112395991 A CN112395991 A CN 112395991A
Authority
CN
China
Prior art keywords
module
action
data
samples
classification
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
Application number
CN202011297964.9A
Other languages
English (en)
Inventor
陈小辉
乌民雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202011297964.9A priority Critical patent/CN112395991A/zh
Publication of CN112395991A publication Critical patent/CN112395991A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种独居老人医疗监护动作识别算法，所述独居老人医疗监护动作识别算法包括影像收集模块、特征提取模块、动作分类模块、双流网络模块、数据传输模块，所述影像收集模块的输出端与特征提取模块的输入端连接，所述特征提取模块的输出端与动作分类模块的输入端连接，所述动作分类模块的输出端与双流网络模块的输入端连接，所述双流网络模块的输出端与数据传输模块的输入端连接，本发明通过影像收集模块对人类生活场景中各种意外跌倒情况进行收集，提供了足够的样本对后续的计算起到了简化运算的效果，且采用多级分类算法，进而使得运算效率得到了有效提高，通过增加训练集中的跌倒样本，保持模型测试的可靠性。

Description

一种独居老人医疗监护动作识别算法
技术领域
本发明属于动作识别技术领域，具体为一种独居老人医疗监护动作识别算法。
背景技术
根据世界卫生组织报道的数据公布，每年有大约三分之一的70岁以上老人发生跌倒，其中75岁以上老人发生跌倒的概率更是高达42％。根据中国卫生部发布的《老年人跌倒干预指南》中明确指出，发生跌倒行为是我们70岁以上人群意外死亡的主要原因。由于计划生育的原因，现在大多数年轻人为独生子女，所以独居老人发生跌倒意外死亡的概率更高，而随着中国人口老龄化，老人的人数越来越多，继而老年人的医疗健康问题引起了广泛的关注。
基于计算机视觉，一些研究人员通过从视频中提取特征的方法来判断视屏中的人是否发生跌倒动作，并与日常的行为进行区分。2014年Gasparrin等提出了一种基于室内行为的隐私保护的跌倒行为的检测方法，该方法是通过Kinect提供的深度数据作为特征输入，然后通过跟踪算法来判断动作。2016年Wang等提出通过PCAnt模型，从RGB图像中提取每一帧的特征并预测标签，然后通过标签之间的权重相加来预测跌倒动作是否发生，同年WangK等提出了一种跌倒检测方法，通过融合梯度直方图与局部二值来提取特征，最后通过SVM分类器进行分类。在2017年，Buch,S等通过对长视屏中的特征提取目标区域，然后再通过滑动窗口法所取得特征作为分类器的输入以此来识别特定动作，但是以上方法在检测数据时，计算结果并不够精确，且动作捕捉的基本样本较少。因此需要对动作识别的算法加以改进，同时提出一种独居老人医疗监护动作识别算法，便于更好的解决上述提出的问题。
发明内容
本发明的目的在于：为了解决上述提出的问题，提供一种独居老人医疗监护动作识别算法。
本发明采用的技术方案如下：
一种独居老人医疗监护动作识别算法，所述独居老人医疗监护动作识别算法包括影像收集模块、特征提取模块、动作分类模块、双流网络模块、数据传输模块、报警模块，所述影像收集模块的输出端与特征提取模块的输入端连接，所述特征提取模块的输出端与动作分类模块的输入端连接，所述动作分类模块的输出端与双流网络模块的输入端连接，所述双流网络模块的输出端与数据传输模块的输入端连接，所述数据传输模块的输出端与报警模块的输入端连接。
在一优选的实施方式中，所述影像收集模块通过4个Kinect摄像头模拟室内监控视角，然后再拍摄若干个人类生活场景中模拟跌倒的行为，且男女各20名，年龄在18-30周岁之间，一共设计了20种动作，几乎囊括了生活会发生的动作以及意外跌倒情况，每个动作每名实验者进行3次模拟行为，并通过4个Kinect摄像头模拟监控视角进行记录，最终一共有9600段行为视屏片段，总计8小时。
在一优选的实施方式中，所述特征提取模块对信息提取的步骤为：
步骤一：统计样本集中动作特征总数(N)；
步骤二：统计每个词的正动作特征出现频率(A)、负动作特征出现频率(B)、正动作特征不出现频率、负动作特征不出现频率；
步骤三：计算每个动作特征的卡方值
步骤四：将每个动作特征按卡方值从大到小排序，选取前k个词作为特征，k即特征维数。
在一优选的实施方式中，所述动作分类模块主要负责对数据集中的数据进行分类，由于动作的持续时间比较短，跌倒的动作是少于非跌倒动作的，所以存在数据不平衡的问题，作为少量样本的跌倒数据显然更为重要，如果直接使用未经处理的跌倒样本数据集进行训练，分类器会因为是少量样本而做出直接忽略的选择，从而并不能正确的检测出跌倒动作。
在一优选的实施方式中，所述实验数据不平衡有两类方法可以，其中第一类是通过算法与损失函数来进行平衡样本，如KaimingHe等通过Focalloss来解决样本不平衡的问题，第二类就是在数据集层面上来解决样本不平衡的问题，即方法是通过在训练的过程中的增强样本数量，使得正负样本趋向平衡，我们采用的是第二类方法来解决自制跌倒数据集样本不平衡的问题，即通过增加训练集中的跌倒样本，同时训练集不会做这种处理，是为了保持模型测试的可靠性。
在一优选的实施方式中，所述双流网络模块为两条2D卷积并行的神经网络结构，使得基于深度学习的视屏动作学习算法所取得的效果超过了以稠密轨迹特征为代表的的传统算法，双流网络卷积是依靠两条相同的卷积通路，这两条卷积网络相互独立，分别输入单帧的RGB图片和堆叠的光流图片，通过两条网络对空间信息与时序信息进行训练，然后再将两者进行融合最后用Softmax进行分类。
在一优选的实施方式中，所述Softmax分类是数据挖掘的一种非常重要的方法,分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型,该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测,总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法,分类器的构造和实施大体会经过以下几个步骤：
①选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；
②在训练样本上执行分类器算法，生成分类模型；
③在测试样本上执行分类模型，生成预测结果；
④根据预测结果，计算必要的评估指标，评估分类模型的性能。
在一优选的实施方式中，所述数据传输模块将上述算法的结果进行测定，如若有跌倒危险则发送信息至报警模块，所述数据传输模块由DCE发送部分、传输信道以及DCE接受部分组成，所述DCE发送部分的作用是将终端输入的二进制代码编码，变换成适合传输信道传送的电信号，对于模拟传输信道，DCE的发送部分就是调制器，它将二进制数字信号变换成模拟信号，使发送信号的频谱与传输信道的频带相匹配，以便数据信号能在传输信道中有效地、可靠地传送，所述传输信道是以传输媒体为基础的信号通路，它可由一种传输媒体或几种不同的传输媒体链接组成，不同的传输信道对数据传输速率、传输质量影响很大，所述DCE接收部分的作用是将传输信道送来的线路信号正确地还原成二进制数字信号，对于模拟传输信道，它就是解调器，对于数字传输信道，它就是DSU的接收部分，为了提高线路利用率，有时在发送端将若干个低速终端的数据流通过复用器集合成一高速数据流送往DCE的发送部分，接收端将来自DCE的高速数据流通过解复用器分隔出各路的低速数据送至相应的终端，这样的复用设备也属于数据传输系统的组成部分。
综上所述，由于采用了上述技术方案，本发明的有益效果是:
1、本发明中，通过影像收集模块对人类生活场景中各种意外跌倒情况进行收集，从而提供了足够的样本对后续的计算起到了简化运算的效果，进而使得运算效率得到了有效提高，通过增加训练集中的跌倒样本，保持模型测试的可靠性。
2、本发明中，由于采用多级分类算法，且Softmax分类是数据挖掘的一种非常重要的方法,分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型,该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测,总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法，有效的提高了计算结果的精确性，加快运算速度。
附图说明
图1为本发明的算法流程示意图；
图2为本发明中特征提取的流程图；
图3为本发明中分类构造的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1-3，一种独居老人医疗监护动作识别算法，独居老人医疗监护动作识别算法包括影像收集模块、特征提取模块、动作分类模块、双流网络模块、数据传输模块、报警模块，影像收集模块的输出端与特征提取模块的输入端连接，特征提取模块的输出端与动作分类模块的输入端连接，动作分类模块的输出端与双流网络模块的输入端连接，双流网络模块的输出端与数据传输模块的输入端连接，数据传输模块的输出端与报警模块的输入端连接。
影像收集模块通过4个Kinect摄像头模拟室内监控视角，然后再拍摄若干个人类生活场景中模拟跌倒的行为，且男女各20名，年龄在18-30周岁之间，一共设计了20种动作，几乎囊括了生活会发生的动作以及意外跌倒情况，每个动作每名实验者进行3次模拟行为，并通过4个Kinect摄像头模拟监控视角进行记录，最终一共有9600段行为视屏片段，总计8小时。
特征提取模块对信息提取的步骤为：
步骤一：统计样本集中动作特征总数(N)；
步骤二：统计每个词的正动作特征出现频率(A)、负动作特征出现频率(B)、正动作特征不出现频率、负动作特征不出现频率；
步骤三：计算每个动作特征的卡方值
步骤四：将每个动作特征按卡方值从大到小排序，选取前k个词作为特征，k即特征维数。
动作分类模块主要负责对数据集中的数据进行分类，由于动作的持续时间比较短，跌倒的动作是少于非跌倒动作的，所以存在数据不平衡的问题，作为少量样本的跌倒数据显然更为重要，如果直接使用未经处理的跌倒样本数据集进行训练，分类器会因为是少量样本而做出直接忽略的选择，从而并不能正确的检测出跌倒动作。
实验数据不平衡有两类方法可以，其中第一类是通过算法与损失函数来进行平衡样本，如KaimingHe等通过Focalloss来解决样本不平衡的问题，第二类就是在数据集层面上来解决样本不平衡的问题，即方法是通过在训练的过程中的增强样本数量，使得正负样本趋向平衡，我们采用的是第二类方法来解决自制跌倒数据集样本不平衡的问题，即通过增加训练集中的跌倒样本，同时训练集不会做这种处理，是为了保持模型测试的可靠性。
双流网络模块为两条2D卷积并行的神经网络结构，使得基于深度学习的视屏动作学习算法所取得的效果超过了以稠密轨迹特征为代表的的传统算法，双流网络卷积是依靠两条相同的卷积通路，这两条卷积网络相互独立，分别输入单帧的RGB图片和堆叠的光流图片，通过两条网络对空间信息与时序信息进行训练，然后再将两者进行融合最后用Softmax进行分类。
Softmax分类是数据挖掘的一种非常重要的方法,分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型,该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测,总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法,分类器的构造和实施大体会经过以下几个步骤：
①选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；
②在训练样本上执行分类器算法，生成分类模型；
③在测试样本上执行分类模型，生成预测结果；
④根据预测结果，计算必要的评估指标，评估分类模型的性能。
数据传输模块将上述算法的结果进行测定，如若有跌倒危险则发送信息至报警模块，所述数据传输模块由DCE发送部分、传输信道以及DCE接受部分组成，所述DCE发送部分的作用是将终端输入的二进制代码编码，变换成适合传输信道传送的电信号，对于模拟传输信道，DCE的发送部分就是调制器，它将二进制数字信号变换成模拟信号，使发送信号的频谱与传输信道的频带相匹配，以便数据信号能在传输信道中有效地、可靠地传送，所述传输信道是以传输媒体为基础的信号通路，它可由一种传输媒体或几种不同的传输媒体链接组成，不同的传输信道对数据传输速率、传输质量影响很大，所述DCE接收部分的作用是将传输信道送来的线路信号正确地还原成二进制数字信号，对于模拟传输信道，它就是解调器，对于数字传输信道，它就是DSU的接收部分，为了提高线路利用率，有时在发送端将若干个低速终端的数据流通过复用器集合成一高速数据流送往DCE的发送部分，接收端将来自DCE的高速数据流通过解复用器分隔出各路的低速数据送至相应的终端，这样的复用设备也属于数据传输系统的组成部分。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种独居老人医疗监护动作识别算法，其特征在于：所述独居老人医疗监护动作识别算法包括影像收集模块、特征提取模块、动作分类模块、双流网络模块、数据传输模块、报警模块，所述影像收集模块的输出端与特征提取模块的输入端连接，所述特征提取模块的输出端与动作分类模块的输入端连接，所述动作分类模块的输出端与双流网络模块的输入端连接，所述双流网络模块的输出端与数据传输模块的输入端连接，所述数据传输模块的输出端与报警模块的输入端连接。
2.如权利要求1所述的一种独居老人医疗监护动作识别算法，其特征在于：所述影像收集模块通过4个Kinect摄像头模拟室内监控视角，然后再拍摄若干个人类生活场景中模拟跌倒的行为，且男女各20名，年龄在18-30周岁之间，一共设计了20种动作，几乎囊括了生活会发生的动作以及意外跌倒情况，每个动作每名实验者进行3次模拟行为，并通过4个Kinect摄像头模拟监控视角进行记录，最终一共有9600段行为视屏片段，总计8小时。
3.如权利要求1所述的一种独居老人医疗监护动作识别算法，其特征在于：所述特征提取模块对信息提取的步骤为：
步骤一：统计样本集中动作特征总数(N)；
步骤二：统计每个词的正动作特征出现频率(A)、负动作特征出现频率(B)、正动作特征不出现频率、负动作特征不出现频率；
步骤三：计算每个动作特征的卡方值
步骤四：将每个动作特征按卡方值从大到小排序，选取前k个词作为特征，k即特征维数。
4.如权利要求1所述的一种独居老人医疗监护动作识别算法，其特征在于：所述动作分类模块主要负责对数据集中的数据进行分类，由于动作的持续时间比较短，跌倒的动作是少于非跌倒动作的，所以存在数据不平衡的问题，作为少量样本的跌倒数据显然更为重要，如果直接使用未经处理的跌倒样本数据集进行训练，分类器会因为是少量样本而做出直接忽略的选择，从而并不能正确的检测出跌倒动作。
5.如权利要求4所述的一种独居老人医疗监护动作识别算法，其特征在于：所述实验数据不平衡有两类方法可以，其中第一类是通过算法与损失函数来进行平衡样本，如KaimingHe等通过Focal loss来解决样本不平衡的问题，第二类就是在数据集层面上来解决样本不平衡的问题，即方法是通过在训练的过程中的增强样本数量，使得正负样本趋向平衡，我们采用的是第二类方法来解决自制跌倒数据集样本不平衡的问题，即通过增加训练集中的跌倒样本，同时训练集不会做这种处理，是为了保持模型测试的可靠性。
6.如权利要求1所述的一种独居老人医疗监护动作识别算法，其特征在于：所述双流网络模块为两条2D卷积并行的神经网络结构，使得基于深度学习的视屏动作学习算法所取得的效果超过了以稠密轨迹特征为代表的的传统算法，双流网络卷积是依靠两条相同的卷积通路，这两条卷积网络相互独立，分别输入单帧的RGB图片和堆叠的光流图片，通过两条网络对空间信息与时序信息进行训练，然后再将两者进行融合最后用Softmax进行分类。
7.如权利要求6所述的一种独居老人医疗监护动作识别算法，其特征在于：所述Softmax分类是数据挖掘的一种非常重要的方法,分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型,该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测,总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法,分类器的构造和实施大体会经过以下几个步骤：
①选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；
②在训练样本上执行分类器算法，生成分类模型；
③在测试样本上执行分类模型，生成预测结果；
④根据预测结果，计算必要的评估指标，评估分类模型的性能。
8.如权利要求1所述的一种独居老人医疗监护动作识别算法，其特征在于：所述数据传输模块将上述算法的结果进行测定，如若有跌倒危险则发送信息至报警模块，所述数据传输模块由DCE发送部分、传输信道以及DCE接受部分组成，所述DCE发送部分的作用是将终端输入的二进制代码编码，变换成适合传输信道传送的电信号，对于模拟传输信道，DCE的发送部分就是调制器，它将二进制数字信号变换成模拟信号，使发送信号的频谱与传输信道的频带相匹配，以便数据信号能在传输信道中有效地、可靠地传送，所述传输信道是以传输媒体为基础的信号通路，它可由一种传输媒体或几种不同的传输媒体链接组成，不同的传输信道对数据传输速率、传输质量影响很大，所述DCE接收部分的作用是将传输信道送来的线路信号正确地还原成二进制数字信号，对于模拟传输信道，它就是解调器，对于数字传输信道，它就是DSU的接收部分，为了提高线路利用率，有时在发送端将若干个低速终端的数据流通过复用器集合成一高速数据流送往DCE的发送部分，接收端将来自DCE的高速数据流通过解复用器分隔出各路的低速数据送至相应的终端，这样的复用设备也属于数据传输系统的组成部分。
CN202011297964.9A 2020-11-19 2020-11-19 一种独居老人医疗监护动作识别算法 Pending CN112395991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011297964.9A CN112395991A (zh) 2020-11-19 2020-11-19 一种独居老人医疗监护动作识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011297964.9A CN112395991A (zh) 2020-11-19 2020-11-19 一种独居老人医疗监护动作识别算法

Publications (1)

Publication Number Publication Date
CN112395991A true CN112395991A (zh) 2021-02-23

Family

ID=74607745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011297964.9A Pending CN112395991A (zh) 2020-11-19 2020-11-19 一种独居老人医疗监护动作识别算法

Country Status (1)

Country Link
CN (1) CN112395991A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113323805A (zh) * 2021-05-27 2021-08-31 中国电建集团江西省电力设计院有限公司 一种提升风电场覆冰期间风机运行效率的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
乌民雨 等: "一种基于双流网络的跌倒检测算法", 《信息通信》 *
园园: "文本分类特征选择方法——卡方检验信息增益", 《HTTP://BLOG.SINA.COM.CN/YUANXY84》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113323805A (zh) * 2021-05-27 2021-08-31 中国电建集团江西省电力设计院有限公司 一种提升风电场覆冰期间风机运行效率的方法

Similar Documents

Publication Publication Date Title
CN109829443B (zh) 基于图像增强与3d卷积神经网络的视频行为识别方法
CN105787458B (zh) 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法
CN108216252B (zh) 一种地铁司机车载驾驶行为分析方法、车载终端及系统
CN110503053B (zh) 基于循环卷积神经网络的人体动作识别方法
CN105868689B (zh) 一种基于级联卷积神经网络的人脸遮挡检测方法
CN111209848B (zh) 一种基于深度学习的实时跌倒检测方法
CN109063565B (zh) 一种低分辨率人脸识别方法及装置
CN109902202B (zh) 一种视频分类方法及装置
CN111680613B (zh) 一种实时检测手扶电梯乘客摔倒行为的方法
CN114333070A (zh) 一种基于深度学习的考生异常行为检测方法
CN110490055A (zh) 一种基于三重编码的弱监督行为识别定位方法和装置
CN114581749A (zh) 视听特征融合的目标行为识别方法、装置及应用
CN109919921A (zh) 基于生成对抗网络的环境影响程度建模方法
CN110674887A (zh) 一种基于视频分类的端到端道路拥堵检测算法
CN112395991A (zh) 一种独居老人医疗监护动作识别算法
CN114120242A (zh) 一种基于时序特征的监控视频行为分析方法、系统及终端
CN114494941A (zh) 一种基于对比学习的弱监督时序动作定位方法
CN116434029A (zh) 一种饮酒检测方法
CN112336354A (zh) 一种基于eeg信号癫痫监测方法
CN112200260A (zh) 一种基于丢弃损失函数的人物属性识别方法
CN112395994A (zh) 一种基于双流网络的跌倒检测算法
CN116189299A (zh) 一种适用于边缘终端的煤矿井下人体动作识别方法
CN113435425B (zh) 一种基于递归多特征融合的野生动物出没检测方法
CN113743306A (zh) 一种基于slowfast双帧速率的实时智能视频监控异常行为分析方法
CN114913585A (zh) 融合面部表情的居家老人摔倒检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210223

RJ01 Rejection of invention patent application after publication