CN112464844A - 一种基于深度学习与运动目标检测的人体行为动作识别方法 - Google Patents

一种基于深度学习与运动目标检测的人体行为动作识别方法 Download PDF

Info

Publication number
CN112464844A
CN112464844A CN202011414440.3A CN202011414440A CN112464844A CN 112464844 A CN112464844 A CN 112464844A CN 202011414440 A CN202011414440 A CN 202011414440A CN 112464844 A CN112464844 A CN 112464844A
Authority
CN
China
Prior art keywords
image
deep learning
action
convlstm
object detection
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
CN202011414440.3A
Other languages
English (en)
Inventor
林丽媛
郝洋
罗雪婷
周卫斌
蔡慧
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.)
Tianjin University of Science and Technology
Original Assignee
Tianjin University of Science and Technology
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 Tianjin University of Science and Technology filed Critical Tianjin University of Science and Technology
Priority to CN202011414440.3A priority Critical patent/CN112464844A/zh
Publication of CN112464844A publication Critical patent/CN112464844A/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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes

Landscapes

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

Abstract

本发明公开了一种基于深度学习与运动目标检测相结合的人体行为动作识别方法，主要解决当前人体行为动作识别的准确率不高，且易受外界条件干扰等问题。该方法利用运动目标检测(帧差法)来捕捉视频场景里人物动作图像，经图像增强，高斯滤波，形态学去噪等预处理建立人体动作图像数据集，并在该数据集上训练基于3DCNN+ConvLSTM的神经网络模型；将经过训练后的3DCNN+ConvLSTM模型进行测试，实验结果在复杂场景里能够准确而有效识别各种人体动作，该方法针对KTH数据集的6种动作达到了92％的准确率，超过了现有其他方法识别的准确率，且收敛速度快，运行成本低，容易实现，可以广泛应用于智能家居，安全监控，运动分析等。

Description

一种基于深度学习与运动目标检测的人体行为动作识别方法
技术领域
本发明涉及深度学习与生物特征识别领域，具体是一种基于深度学习与运动目标检测的人体行为动作识别方法。
背景技术
人体行为动作识别是当前计算机视觉和模式识别领域的一个重要的研究课题，涉及模式识别，计算机图像处理，机器视觉，人工智能等多门学科，尤其近年来随着人工智能技术的不断发展，特别是机器学习和深度学习理论的突破使得人体行为识别技术也愈加成熟，已经广泛应用于智能监控，人机交互，虚拟现实技术，人体姿态运动分析，医疗康复等领域。
Johansson最早开始对人体行为识别进行研究，他提出了一个12点的人体动作模型，用12个关键的关节点来表示人体行为动作的状态组合。基于目前的人体行为识别研究的现状，主流的研究框架包括行为特征提取，人体行为表示和行为动作分类算法三个方面。关于人体动作特征表示方法主要包括全局特征法和局部特征法，以及后来研究者利用Kinect深度传感器采集到的深度图像和骨骼图像数据来提取人体姿态的特征。针对人体行为动作的分类识别，常用的分类算法如支持向量机(SVM)、高斯混合模型(GMM)、动态时间归整算法(DTW)和隐马尔可夫模型(HMM)等。I.J.Ding采用GMM与特征空间法对人体姿态进行识别，当人的动作姿态不受标准运动姿态的限制时，该方法可以得到更好的识别效果。曹玉珍、蔡伟超、程旸等人提出了一种基于MEMS加速度传感器的人体姿态检测技术，通过计算人体加速度向量幅值和微分加速度幅值的平均值来确定人体运动状态；随着深度学习的发展和技术上的突破，裴晓敏等人通过提取人体骨架的局部空域特征，利用LSTM构建基础框架，针对人的行为动作进行时域特征提取和动态过程建模，以实现对人体动作的识别。
目前为止，人体行为识别研究面临的挑战是：光照，颜色，背景等外在因素干扰，其中动态变化和杂乱的背景以及视角的多样性，障碍物的遮挡等是行为识别最大的难点。此外，针对动作类内、类间的变化过大也会影响行为识别的准确度。
发明内容
本发明提出一种基于深度学习和运动目标检测相结合的人体动作识别方法，采用运动目标检测算法(帧差法)提取人物动作的序列图像，利用3D卷积神经网络和LCRN网络构建人体动作识别的深度学习模型，来提取人体行为动作的时序特征和空间特征，最终实现对人体动作有效而准确分类和识别。
本发明可以通过以下技术步骤进行实现：
1)通过运动目标检测算法-帧差法将相邻的两帧或三帧图像作差得到人物动作图像，消除背景，颜色，光照等部分；
2)对人物动作图像进行图像增强处理以补偿其失真的部分，通过高斯滤波平滑和形态学去噪等处理改善图像质量；
3)经上述步骤后，对每一帧图像进行平移、镜像、翻转、缩放等几何变换来扩充图像数据；
4)将处理好的图像序列调整为相同的分辨率，对每一帧图像按顺序标号并将同一动作类别的图像序列保存在同一文件夹里；
5)构建3DCNN和ConvLSTM神经网络模型，将上述处理好的图像序列数据按7∶3的比例划分为训练集和测试集输入到网络模型进行训练，根据每次训练的结果调整网络结构，模型参数和参数数量，重复实验，直至得到最佳模型。
本发明与现有技术相比具有以下优点：
一、利用运动目标检测技术来提取人物动作图像，可有效降低光线、颜色、背景等外在因素的干扰，与传统的RGB图像相比，识别的准确率有明显的提升；
二、采用图像增强方法来提升图像感兴趣区域的特征强度，可补偿因运动目标检测过程中出现的图像失真，加强图像识别和判读的效果。；
三、在图像预处理中，使用高斯滤波和形态学去噪等技术，改善了图像的质量；
四、通过3DCNN和ConvLSTM两种具有时序特征学习和空间特征学习能力的构建的神经网络分类模型来对人物动作进行分类和识别，与单一的二维CNN和的3DCNN相比，特征学习的能力更强，且识别的准确率有明显的提升。
五、本方法所设计神经网络模型具有良好的收敛性和较快的收敛速度，由于采用了数据增广技术和dropout机制，使得神经网络模型在训练过程中避免了过拟合的现象发生，因此该模型又具有很强的泛化能力。
附图说明
为更好的解释说明本发明的技术流程，下面使用一些附图对技术进行简单的介绍。
图1为本发明中基于深度学习与运动目标检测人体行为动作识别方法的流程示意图；
图2为运动目标检测及图像预处理程序框图；
图3(a)为原始图像数据图像；
图3(b)为经过运动目标检测与图像预处理后的图像；
图4为3DCNN+ConvLSTM神经网络架构示意图。
图5为神经网络模型的可视化结构图。
图6为ConvLSTM网络单元的结构示意图。
图7(a)为网络模型训练过程中损失值曲线。
图7(b)为网络模型训练过程中准确率曲线。
图8为最终分类结果的混淆矩阵。
具体实施方式
下面结合附图对本发明描述。
流程图如图1所示的基于深度学习的人体动作姿势识别方法，主要包括以下步骤。
步骤1：输入人体行为动作图像序列的视频帧，通过运动目标检测算法(帧差法)捕捉视频场景里人物动作图像部分，如图2的流程图所示，记当前时刻的视频帧为F(x，y，t)，上一时刻的视频帧为F(x，y，t-1)，将时间上连续的相邻的两帧图像进行差分运算，得到的差分图像
Dn(x，y)＝|F(x，y，t)-F(x，y，t-1)|
设定阈值T，逐个对像素点进行二值化处理，得到的二值化图像
Figure BSA0000226876250000031
不同帧对应的像素值相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。
步骤2：如图2的流程图所示，完成运动目标检测后，对得到的二值化图像进行图像增强处理，以补偿之前图像像素值相减出现的失真部分，后经高斯滤波，形态学去噪等处理改善图像质量，最终的处理效果如图3所示，其中图3(a)为原始数据图像，图3(b)为经运动目标检测与图像预处理的数据图像。
步骤3：将上述处理好的图像序列取其中的16帧图像作为一个完整动作的数据样本，将相同动作类别的图像序列放在同一个文件夹内，图片设置为.jpg格式，调整为64*64大小的分辨率。
步骤4：针对上述图像数据的每一帧图像，采用平移，镜像，翻转，缩放等图像几何变换扩充原始数据，建立深度学习行为动作数据集。
步骤5：利用神经网络API keras构建3DCNN+ConvLSTN网络模型，网络架构如图4所示，包括一层3D卷积网络，一层ConvLSTM网络，两层池化层(Max-pooing)，两层Dropout层，一层全连接层，一层softmax分类层。
步骤6：将上述建立好的数据集按7∶3的比例随机划分为训练集和测试集，每个数据样本调整为(16，64，64)的序列数组，采用one-hot编码方式为每个数据样本分配标签，经图像归一化后输入到3DCNN+ConvLSTM网络模型里进行特征学习。
Step1，如图5所示，在3DCNN+ConvLSTN网络模型的第一层3DCNN中，使用32个5*5*5的滤波器对处理后的动作图像序列进行卷积操作，每帧提取5个通道信息(灰度gray，横坐标梯度(gradient-x)，纵坐标梯度(gradient-y)，x光流(optflow-x)，y光流(optflow-y))，输出的特征图的大小为32*(16-5+1)*(64-5+1)*(64-5+1)＝32*12*60*60。
Step2，在3DCNN+ConvLSTM第二层池化层中，使用2*2*2的窗口对第一层卷积层得到的特征图进行下采样操作，输出大小为32*6*30*30特征图。
Step3，在3DCNN+ConvLSTM的第三层ConvLSTM层中，采用64个ConvLSTM单元，ConvLSTM网络单元如图6所示，将上面输出的特征图序列输入到ConvLSTM层中，进行时序特征的学习，其中
Figure BSA0000226876250000041
Figure BSA0000226876250000042
Figure BSA0000226876250000043
Figure BSA0000226876250000044
Figure BSA0000226876250000045
输出的特征图序列的大小为(32*64*30*30)。
Step4，在3DCNN+ConvLSTM的第四层池化层中，使用2*2*2的窗口对CovLSTM网络层输出的特征图序列进行下采样操作，(32*32*15*15)特征图。
Step5，将上面ConvLSTM网络输出的特征图再次输入到含有128个神经元的全连接层，共产生了29491328个权值参数，最后输入到softmax分类层进行分类识别。
Step6，使用随机梯度下降算法(SGD)对上述网络模型进行优化，求解最优模型以获得最佳分类器，损失函数选为类别交叉熵函数
Step7，根据上述步骤进行实验验证，根据每次实验结果，调整网络参数，直至获得最佳的网络分类器。经过反复实验，最终该方法针对KTH数据集的6类动作识别的准确率达到92％，
图7(a)为网络模型训练过程中损失值曲线，图7(b)为网络模型训练过程中准确率曲线，图8为最终分类结果的混淆矩阵。
最后说明的是，以上步骤仅用以说明本发明的技术方案而非限制，但本领域技术人员应当理解，可以在形式上和细节上对其做出相应的改变，但进行的改变，并不应使相应技术方案的本质脱离本发明的技术方案的精神和范围。

Claims (7)

1.一种基于深度学习与运动目标检测的人体动作识别的方法包括：
步骤A1，运动目标检测捕捉视频内人物动作图像；
步骤A2，图像增强补偿失真部分，高斯滤波、形态学去噪改善图像质量；
步骤A3，图像平移，镜像，翻转，缩放等几何变换扩充模型训练数据；
步骤A4行为动作图像数据集的建立；
步骤A5，利用3DCNN和ConvLSTM神经网络构建人体动作分类的深度学习模型；
步骤A6，采用深度学习与运动目标检测技术实现人体行为动作的识别。
2.如权利要求1所述的一种基于深度学习与运动目标检测的人体动作识别的方法，其中所述运动目标检测捕捉视频内人物动作图像部分：采用运动目标检测算法提取视频每一帧的人物轮廓。
3.如权利要求1所述一种基于深度学习与运动目标检测的人体动作识别的方法，其中所述对图像增强补偿失真部分，高斯滤波、形态学去噪改善图像质量的部分：对提取到的人物轮廓图像进行图像增强，以提高感兴趣的特征，加强图像判读和识别效果；对检测的人物图像进行高斯滤波，形态学去噪等图像处理以改善图像的质量。
4.如权利要求1所述一种基于深度学习与运动目标检测的人体动作识别的方法，其中所述图像平移，镜像，翻转，缩放等几何变换用于扩充模型训练数据部分：为抑制模型训练过程中的过拟合现象，对原始数据的每一帧图像进行平移、镜像、翻转、缩放等几何变换，来扩充模型训练数据，以提高模型的泛化能力。
5.如权利要求1所述一种基于深度学习与运动目标检测的人体动作识别的方法，其中所述行为动作图像数据集的建立部分：针对KTH数据集6类动作的600个视频，经运动目标检测和图像预处理后，统一为相同的分辨率；截取每段视频一个完整动作的16帧图像序列作为一个数据样本；照此方法批量处理，建立完整的标准数据集，用于训练和测试神经网络模型。
6.如权利要求1所述一种基于深度学习与运动目标检测的人体动作识别的方法，其中所述的利用3DCNN和ConvLSTM神经网络构建人体动作分类的深度学习模型部分：采用3D卷积神经网络和ConvLSTM网络架构深度学习模型，针对KTH数据集的六类不同的动作(walking、jogging、running、boxing、hand waving及hand clapping))进行分类识别。设计的神经网络模型的主网络为3DCNN与ConvLSTM，具体包括一层3DCNN，一层ConvLSTM和两层池化层，两层Dropout层，一层全连接层和一层softmax分类层。
7.如权利要求1所述一种基于深度学习与运动目标检测的人体动作识别的方法，其中所述的采用深度学习与运动目标检测技术实现人体行为动作的识别部分：将每类动作的图像序列训练集数据输入3DCNN+ConvLSTM网络，并采用SGD优化算法进行参数的调整和更新，得到网络分类器，并将每类动作的图像特征序列的测试集数据输入到分类模型中，进行准确度测试。
CN202011414440.3A 2020-12-07 2020-12-07 一种基于深度学习与运动目标检测的人体行为动作识别方法 Pending CN112464844A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011414440.3A CN112464844A (zh) 2020-12-07 2020-12-07 一种基于深度学习与运动目标检测的人体行为动作识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011414440.3A CN112464844A (zh) 2020-12-07 2020-12-07 一种基于深度学习与运动目标检测的人体行为动作识别方法

Publications (1)

Publication Number Publication Date
CN112464844A true CN112464844A (zh) 2021-03-09

Family

ID=74800214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011414440.3A Pending CN112464844A (zh) 2020-12-07 2020-12-07 一种基于深度学习与运动目标检测的人体行为动作识别方法

Country Status (1)

Country Link
CN (1) CN112464844A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883930A (zh) * 2021-03-29 2021-06-01 动者科技(杭州)有限责任公司 基于全连接网络的实时真假运动判断方法
CN113111825A (zh) * 2021-04-22 2021-07-13 北京房江湖科技有限公司 施工监控方法和装置、电子设备和存储介质
CN113536989A (zh) * 2021-06-29 2021-10-22 广州博通信息技术有限公司 基于摄像视频逐帧分析的制冷机结霜监控方法及系统
CN113808047A (zh) * 2021-09-22 2021-12-17 武汉商学院 一种人体运动捕捉数据去噪方法
CN113971780A (zh) * 2021-11-04 2022-01-25 大连民族大学 基于CNN和累加隐层状态ConvLSTM的视频人体行为识别方法
CN117975376A (zh) * 2024-04-02 2024-05-03 湖南大学 基于深度分级融合残差网络的矿山作业安全检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016690A (zh) * 2017-03-06 2017-08-04 浙江大学 基于视觉的无人机入侵检测与识别系统及方法
CN107451552A (zh) * 2017-07-25 2017-12-08 北京联合大学 一种基于3d‑cnn和卷积lstm的手势识别方法
CN110555368A (zh) * 2019-06-28 2019-12-10 西安理工大学 基于三维卷积神经网络的跌倒行为识别方法
CN110956111A (zh) * 2019-11-22 2020-04-03 苏州闪驰数控系统集成有限公司 人工智能cnn、lstm神经网络步态识别系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016690A (zh) * 2017-03-06 2017-08-04 浙江大学 基于视觉的无人机入侵检测与识别系统及方法
CN107451552A (zh) * 2017-07-25 2017-12-08 北京联合大学 一种基于3d‑cnn和卷积lstm的手势识别方法
CN110555368A (zh) * 2019-06-28 2019-12-10 西安理工大学 基于三维卷积神经网络的跌倒行为识别方法
CN110956111A (zh) * 2019-11-22 2020-04-03 苏州闪驰数控系统集成有限公司 人工智能cnn、lstm神经网络步态识别系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIANG ZHANG ET AL.: "Learning Spatiotemporal Features using 3DCNN and Convolutional LSTM for Gesture Recognition", 《2017ICCVW》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883930A (zh) * 2021-03-29 2021-06-01 动者科技(杭州)有限责任公司 基于全连接网络的实时真假运动判断方法
CN113111825A (zh) * 2021-04-22 2021-07-13 北京房江湖科技有限公司 施工监控方法和装置、电子设备和存储介质
CN113536989A (zh) * 2021-06-29 2021-10-22 广州博通信息技术有限公司 基于摄像视频逐帧分析的制冷机结霜监控方法及系统
CN113808047A (zh) * 2021-09-22 2021-12-17 武汉商学院 一种人体运动捕捉数据去噪方法
CN113808047B (zh) * 2021-09-22 2023-10-03 武汉商学院 一种人体运动捕捉数据去噪方法
CN113971780A (zh) * 2021-11-04 2022-01-25 大连民族大学 基于CNN和累加隐层状态ConvLSTM的视频人体行为识别方法
CN117975376A (zh) * 2024-04-02 2024-05-03 湖南大学 基于深度分级融合残差网络的矿山作业安全检测方法
CN117975376B (zh) * 2024-04-02 2024-06-07 湖南大学 基于深度分级融合残差网络的矿山作业安全检测方法

Similar Documents

Publication Publication Date Title
CN108345869B (zh) 基于深度图像和虚拟数据的驾驶人姿态识别方法
CN108932500B (zh) 一种基于深度神经网络的动态手势识别方法及系统
CN112464844A (zh) 一种基于深度学习与运动目标检测的人体行为动作识别方法
CN108520535B (zh) 基于深度恢复信息的物体分类方法
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
CN105069472B (zh) 一种基于卷积神经网络自适应的车辆检测方法
CN107657279B (zh) 一种基于少量样本的遥感目标检测方法
CN108416266B (zh) 一种利用光流提取运动目标的视频行为快速识别方法
WO2020108362A1 (zh) 人体姿态检测方法、装置、设备及存储介质
CN104008370B (zh) 一种视频人脸识别方法
CN109684925B (zh) 一种基于深度图像的人脸活体检测方法及设备
CN109101865A (zh) 一种基于深度学习的行人重识别方法
CN106325485B (zh) 一种手势检测识别方法及系统
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN111260738A (zh) 基于相关滤波和自适应特征融合的多尺度目标跟踪方法
CN107145842A (zh) 结合lbp特征图与卷积神经网络的人脸识别方法
CN106682569A (zh) 一种基于卷积神经网络的快速交通标识牌识别方法
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
CN110826389B (zh) 基于注意力3d频率卷积神经网络的步态识别方法
CN110929593A (zh) 一种基于细节辨别区别的实时显著性行人检测方法
CN106650617A (zh) 一种基于概率潜在语义分析的行人异常识别方法
CN110298297A (zh) 火焰识别方法和装置
CN104298974A (zh) 一种基于深度视频序列的人体行为识别方法
CN103902989A (zh) 基于非负矩阵分解的人体动作视频识别方法
CN106874825A (zh) 人脸检测的训练方法、检测方法和装置

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210309