CN105912999A - 基于深度信息的人体行为识别方法 - Google Patents

基于深度信息的人体行为识别方法 Download PDF

Info

Publication number
CN105912999A
CN105912999A CN201610208016.0A CN201610208016A CN105912999A CN 105912999 A CN105912999 A CN 105912999A CN 201610208016 A CN201610208016 A CN 201610208016A CN 105912999 A CN105912999 A CN 105912999A
Authority
CN
China
Prior art keywords
dimensional
depth
human
point
motion history
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
CN201610208016.0A
Other languages
English (en)
Inventor
张良
刘文评
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.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
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 Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN201610208016.0A priority Critical patent/CN105912999A/zh
Publication of CN105912999A publication Critical patent/CN105912999A/zh
Pending legal-status Critical Current

Links

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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度信息的人体行为识别方法。其包括利用深度摄像头采集深度图像；将二维深度图像坐标系转换到三维相机坐标系下；将三维相机坐标系下三维点的X、Y、Z值赋给点云三维点的X、Y、Z值；将每个动作的多帧已转换为三维坐标后的图像以点云的存储格式填充三维体，得到三维人体运动历史体；将三维人体运动历史体分为识别和训练样本；获得训练样本的词频分布直方图和类别统计直方图，输入SVM训练确定动作分类器模型；将识别样本中的词频分布直方图输入分类器模型中进行识别操作，由此得到识别结果。本发明提供的基于深度信息的人体行为识别方法能够通过生成三维的运动历史体来解决深度值利用不够，缺少具体的空间结构信息的问题。

Description

基于深度信息的人体行为识别方法
技术领域
本发明属于计算机视觉和图像处理技术领域，特别是涉及一种基于深度信息的行为识别方法。
背景技术
随着计算机视觉技术的快速发展，对于基于视频的人体行为识别的需要越来越迫切，因此在诸如智能视频监控、病人监护***、人机交互、虚拟现实、智能家居、智能安防、运动员辅助训练等***中，行为识别起到了越来越重要的作用。
早期的人体行为识别大多是利用普通的彩色(RGB)图像序列进行，并且彩色图像识别多采用外观特征。随着技术的进步，近年来出现了配有深度传感器的深度摄像头。这种摄像深度头能在获取正常RGB图像的同时，获得质量可以接受的深度图像。与彩色图像相比，深度图像在行为识别中具有以下特点：首先，深度数据仅与物体的空间位置有关，且能直接反映物体表面的三维特征；其次，深度传感器不易受光照、阴影等因素变化的影响，这对处于黑暗环境中的监控***带来极大好处；最后，深度图像中不受颜色和纹理的影响，这使得人体检测和分割变得更容易。将深度图像作为彩色图像序列的补充，可以有效地突破可见光图像识别与行为分析中遇到的问题和瓶颈。
陈等[Cheng,Qin,Ye,Huang,Tian.Human dailyaction analysis with multi-view and color-depth data.Computer Vision–ECCV2012.Workshops andDemonstrations,52-61:Springer,2012.]采用基于色彩的识别方法，将深度序列以和彩***相同的方法来处理，然而，虽然这些方法适用于彩***序列，但将它们简单地推广到深度视频序列可能不会产生最优的结果。中国专利第201410405886.8号中公开了一种三维人体行为识别方法和装置，该方法是分别提取二值深度视频序列和二值RGB视频序列对应的行为轮廓历史图像，对提取出的行为轮廓历史图像进行图像融合。虽然这种方法在一定程度上弥补了深度信息完全丢失的缺点，对动作的表达更加完善，但是动作表达方案中所说的3D表示仅仅包含了深度的变化方向，而缺少更加具体的空间结构信息。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于深度信息的人体行为识别方法。
为了达到上述目的，本发明提供的基于深度信息的人体行为识别方法包括按顺序进行的下列步骤：
(1)利用深度摄像头采集若干人在同一背景下执行多种不同动作的一系列深度图像，其中一个人的某一个动作对应于多帧深度图像，然后将这些深度图像传送给与深度摄像头相连的计算机，在计算机上从采集的每一帧深度图像中提取出作为前景的人体区域深度图像；通过设定深度值阈值的方法将上述人体区域深度图像中深度值不在深度值阈值范围内的噪声点去除；
(2)将上述二维深度图像坐标系转换到三维相机坐标系下，得到人体的实际三维坐标数据；
(3)将三维相机坐标系下三维点的X、Y、Z值赋给点云三维点的X、Y、Z值，以点云的存储格式表示三维坐标数据，然后将每个动作的多帧已转换为三维坐标后的图像以点云的存储格式填充三维体，得到三维人体运动历史体，由此将运动历史图像在深度方向进行拓展；
(4)采用留一交叉验证方式，将上述多个三维人体运动历史体中某一人的所有三维人体运动历史体作为识别样本，其余每个人的所有三维人体运动历史体作为一个训练样本而形成多个训练样本；
(5)将多个训练样本中每个三维人体运动历史体分别进行特征点提取，然后进行特征点描述而得到特征描述子，之后对特征描述子进行聚类而得到特征点词袋；然后统计训练样本中各个特征描述子在词袋中出现的次数，得到相对应的词频分布直方图，并分配所对应的动作类别标号，获得训练样本的类别统计直方图，最后输入SVM训练确定动作分类器模型；
(6)对识别样本中每个三维人体运动历史体按照上一步骤方法分别进行特征点提取，然后进行特征点描述而得到特征描述子，之后采用K近邻算法将上述特征描述子归类到上述步骤(5)中已分好类且离其最近的词袋，然后统计特征描述子在每个动作中出现的次数，得到识别样本的词频分布直方图，将上述词频分布直方图输入到步骤(5)中已经训练好的SVM确定动作分类器模型中进行识别操作，得到最终识别结果。
在步骤(1)中，所述的深度值阈值为0-2500mm；从采集的每一帧深度图像中提取出作为前景的人体区域深度图像的方法是：在计算机上应用Kinect自带的人体索引功能，从人体区域深度图像中提取出人体区域深度图像。
在步骤(2)中，所述的将上述二维深度图像坐标系转换到三维相机坐标系的方法是通过旋转矩阵和平移矩阵实现的，公式为：其中，A为内参矩阵，R为旋转矩阵，t为平移矩阵，m为二维图像坐标，M为三维相机坐标。
在步骤(5)中，所述的将三维人体运动历史体进行特征点提取的方法是：采用Harris3D检测器，通过采用三维高斯窗口和一个二阶矩矩阵相乘的方法来检测特征点，如下式所示：其中，代表空间尺度因子，代表时间尺度因子；Lx、Ly、Lz分别为训练样本f在x、y和z这三个方向上的一阶导数，Harris3D检测器是通过计算角点响应函数的极大值点，角点响应函数定义如下式所示：
H＝det(μ)-k×trace3(μ)＝λ1λ2λ3-k(λ1+λ2+λ3)3，其中det(μ)是μ的行列式，trace(μ)是μ的迹，k是相关系数；特征点就是上式所描述的角点响应函数在取得极大值时的点所在的地方。
在步骤(5)中，所述的对提取出的特征点进行描述的方法是：采用三维梯度方向直方图来描述特征点而得到特征描述子。
本发明提供的基于深度信息的人体行为识别方法能够通过生成三维的运动历史体来解决深度值利用不够，缺少具体的空间结构信息的问题。
附图说明
图1是本发明中运动历史体生成过程流程图；
图2是本发明中训练过程流程图；
图3是本发明中识别过程流程图；
图4是本发明中提取人体区域结果示意图；
图5是本发明中生成的三维人体运动历史体；
图6是本发明中特征点检测结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明提供的基于深度信息的人体行为识别方法进行详细说明。
本发明提供的基于深度信息的人体行为识别方法包括按顺序进行的下列步骤：
(1)如图1所示，利用深度摄像头采集若干人在同一背景下执行多种不同动作的一系列深度图像，其中一个人的某一个动作对应于多帧深度图像，然后将这些深度图像传送给与深度摄像头相连的计算机，由于采集到的深度图像中存在除人体以外的其他背景，因此在计算机上从采集的每一帧深度图像中提取出作为前景的人体区域深度图像；通过设定深度值阈值(0-2500mm)的方法将上述人体区域深度图像中深度值不在深度值阈值范围内的噪声点去除，以提高后续操作效率。
从采集的每一帧深度图像中提取出作为前景的人体区域深度图像的方法是：在计算机上应用Kinect自带的人体索引功能，从人体区域深度图像中提取出人体区域深度图像，结果如图4所示。
运动历史图像(MHI)是将一个动作序列用一幅二维图像来表示，用像素点的明暗来表示动作出现的先后顺序体现出动作的时序特征，从图像的明暗变化程度了解整个动作序列的过程，
其中(x,y)和t表示位置和时间。D(x,y,t)为更新函数，当其值为1时，表示这一帧图像相较于前一帧图像发生运动；不为1时，则表示该帧图像没有发生运动，τ为MHI的持续时间。
(2)将上述二维深度图像坐标系转换到三维相机坐标系下，得到人体的实际三维坐标数据；
将上述二维深度图像坐标系转换到三维相机坐标系的方法是通过旋转矩阵和平移矩阵实现的，公式为：其中，A为内参矩阵，R为旋转矩阵，t为平移矩阵，m为二维图像坐标，M为三维相机坐标。
(3)将三维相机坐标系下三维点的X、Y、Z值赋给点云三维点的X、Y、Z值，以点云的存储格式表示三维坐标数据，然后将每个动作的多帧已转换为三维坐标后的图像以点云的存储格式填充三维体，得到三维人体运动历史体(MHV)，由此将运动历史图像在深度方向进行拓展；生成的三维人体运动历史体如图5所示。
(4)采用留一交叉验证方式，将上述多个三维人体运动历史体中某一人的所有三维人体运动历史体图像作为识别样本，其余每个人的所有三维人体运动历史体作为一个训练样本而形成多个训练样本；
(5)如图2所示，将多个训练样本中每个三维人体运动历史体分别进行特征点提取，然后进行特征点描述而得到特征描述子，之后对特征描述子进行聚类而得到特征点词袋；然后统计训练样本中各个特征描述子在词袋中出现的次数，得到相对应的词频分布直方图，并分配所对应的动作类别标号，获得训练样本的类别统计直方图，最后输入SVM训练确定动作分类器模型；
将三维人体运动历史体进行特征点提取的方法是：采用Harris3D检测器，通过采用三维高斯窗口和一个二阶矩矩阵相乘的方法来检测特征点，如下式所示：其中，代表空间尺度因子，代表时间尺度因子。Lx、Ly、Lz分别为训练样本f在x、y和z这三个方向上的一阶导数，Harris3D检测器是通过计算角点响应函数的极大值点，角点响应函数定义如下式所示：H＝det(μ)-k×trace3(μ)＝λ1λ2λ3-k(λ1+λ2+λ3)3，其中det(μ)是μ的行列式，trace(μ)是μ的迹，k是相关系数；特征点就是上式所描述的角点响应函数在取得极大值时的点所在的地方。特征点提取结果如图6所示。
对提取出的特征点进行描述的方法是：采用三维梯度方向直方图来描述特征点而得到特征描述子(HOG3D)。
(6)如图3所示，对识别样本中每个三维人体运动历史体按照上一步骤方法分别进行特征点提取，然后进行特征点描述而得到特征描述子，之后采用K近邻算法将上述特征描述子归类到上述步骤(5)中已分好类且离其最近的词袋，然后统计特征描述子在每个动作中出现的次数，得到识别样本的词频分布直方图，将上述词频分布直方图输入到步骤(5)中已经训练好的SVM确定动作分类器模型中进行识别操作，得到最终识别结果。

Claims (5)

1.一种基于深度信息的人体行为识别方法，其特征在于：所述的基于深度信息的人体行为识别方法包括按顺序进行的下列步骤：
(1)利用深度摄像头采集若干人在同一背景下执行多种不同动作的一系列深度图像，其中一个人的某一个动作对应于多帧深度图像，然后将这些深度图像传送给与深度摄像头相连的计算机，在计算机上从采集的每一帧深度图像中提取出作为前景的人体区域深度图像；通过设定深度值阈值的方法将上述人体区域深度图像中深度值不在深度值阈值范围内的噪声点去除；
(2)将上述二维深度图像坐标系转换到三维相机坐标系下，得到人体的实际三维坐标数据；
(3)将三维相机坐标系下三维点的X、Y、Z值赋给点云三维点的X、Y、Z值，以点云的存储格式表示三维坐标数据，然后将每个动作的多帧已转换为三维坐标后的图像以点云的存储格式填充三维体，得到三维人体运动历史体，由此将运动历史图像在深度方向进行拓展；
(4)采用留一交叉验证方式，将上述多个三维人体运动历史体中某一人的所有三维人体运动历史体作为识别样本，其余每个人的所有三维人体运动历史体作为一个训练样本而形成多个训练样本；
(5)将多个训练样本中每个三维人体运动历史体分别进行特征点提取，然后进行特征点描述而得到特征描述子，之后对特征描述子进行聚类而得到特征点词袋；然后统计训练样本中各个特征描述子在词袋中出现的次数，得到相对应的词频分布直方图，并分配所对应的动作类别标号，获得训练样本的类别统计直方图，最后输入SVM训练确定动作分类器模型；
(6)对识别样本中每个三维人体运动历史体按照上一步骤方法分别进行特征点提取，然后进行特征点描述而得到特征描述子，之后采用K近邻算法将上述特征描述子归类到上述步骤(5)中已分好类且离其最近的词袋，然后统计特征描述子在每个动作中出现的次数，得到识别样本的词频分布直方图，将上述词频分布直方图输入到步骤(5)中已经训练好的SVM确定动作分类器模型中进行识别操作，得到最终识别结果。
2.根据权利要求1所述的基于深度信息的人体行为识别方法，其特征在于：在步骤(1)中，所述的深度值阈值为0-2500mm；从采集的每一帧深度图像中提取出作为前景的人体区域深度图像的方法是：在计算机上应用Kinect自带的人体索引功能，从深度图像中提取出人体区域深度图像。
3.根据权利要求1所述的基于深度信息的人体行为识别方法，其特征在于：在步骤(2)中，所述的将二维深度图像坐标系转换到三维相机坐标系的方法是通过旋转矩阵和平移矩阵实现的，公式为：其中，A为内参矩阵，R为旋转矩阵，t为平移矩阵，m为二维图像坐标，M为三维相机坐标。
4.根据权利要求1所述的基于深度信息的人体行为识别方法，其特征在于：在步骤(5)中，所述的将三维人体运动历史体进行特征点提取的方法是：采用Harris3D检测器，通过采用三维高斯窗口和一个二阶矩矩阵相乘的方法来检测特征点，如下式所示：其中，代表空间尺度因子，代表时间尺度因子；Lx、Ly、Lz分别为训练样本f在x、y和z这三个方向上的一阶导数，Harris3D检测器是通过计算角点响应函数的极大值点，角点响应函数定义如下式所示：H＝det(μ)-k×trace3(μ)＝λ1λ2λ3-k(λ1+λ2+λ3)3，其中det(μ)是μ的行列式，trace(μ)是μ的迹，k是相关系数；特征点就是上式所描述的角点响应函数在取得极大值时的点所在的地方。
5.根据权利要求1所述的基于深度信息的人体行为识别方法，其特征在于：在步骤(5)中，所述的对提取出的特征点进行描述的方法是：采用三维梯度方向直方图来描述特征点而得到特征描述子。
CN201610208016.0A 2016-04-05 2016-04-05 基于深度信息的人体行为识别方法 Pending CN105912999A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610208016.0A CN105912999A (zh) 2016-04-05 2016-04-05 基于深度信息的人体行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610208016.0A CN105912999A (zh) 2016-04-05 2016-04-05 基于深度信息的人体行为识别方法

Publications (1)

Publication Number Publication Date
CN105912999A true CN105912999A (zh) 2016-08-31

Family

ID=56744606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610208016.0A Pending CN105912999A (zh) 2016-04-05 2016-04-05 基于深度信息的人体行为识别方法

Country Status (1)

Country Link
CN (1) CN105912999A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106454251A (zh) * 2016-10-26 2017-02-22 秦皇岛中科鸿合信息科技有限公司 一种基于深度图像的实时全息图像获取、投影装置与方法
CN106595647A (zh) * 2016-12-14 2017-04-26 北京理工大学珠海学院 行为状态的监测方法、装置及***
CN106874884A (zh) * 2017-03-03 2017-06-20 中国民航大学 基于部位分割的人体再识别方法
CN106886754A (zh) * 2017-01-17 2017-06-23 华中科技大学 一种基于三角面片的三维场景下的物体识别方法及***
CN107169423A (zh) * 2017-04-24 2017-09-15 南京邮电大学 一种视频人物运动类型识别方法
CN107230226A (zh) * 2017-05-15 2017-10-03 深圳奥比中光科技有限公司 人体关联关系的判断方法、装置及存储装置
CN107256564A (zh) * 2017-05-17 2017-10-17 扬州大学 一种耕地表面结构定量化获取方法
CN107679522A (zh) * 2017-10-31 2018-02-09 内江师范学院 基于多流lstm的动作识别方法
CN107742318A (zh) * 2017-09-28 2018-02-27 江门市金佣网有限公司 商品实时三维成像方法及基于实时三维展示的交易***
CN108364316A (zh) * 2018-01-26 2018-08-03 阿里巴巴集团控股有限公司 交互行为检测方法、装置、***及设备
CN109906457A (zh) * 2016-11-03 2019-06-18 三星电子株式会社 数据识别模型构建设备及其构建数据识别模型的方法，以及数据识别设备及其识别数据的方法
CN109960965A (zh) * 2017-12-14 2019-07-02 翔升（上海）电子技术有限公司 基于无人机识别动物行为的方法、装置和***
CN109993103A (zh) * 2019-03-29 2019-07-09 华南理工大学 一种基于点云数据的人体行为识别方法
CN111337898A (zh) * 2020-02-19 2020-06-26 北京百度网讯科技有限公司 激光点云的处理方法、装置、设备及存储介质
CN111383270A (zh) * 2018-12-27 2020-07-07 深圳市优必选科技有限公司 物体定位方法、装置、计算机设备及存储介质
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***
CN112036267A (zh) * 2020-08-14 2020-12-04 珠海格力电器股份有限公司 一种目标检测方法、装置、设备和计算机可读存储介质
US11908176B2 (en) 2016-11-03 2024-02-20 Samsung Electronics Co., Ltd. Data recognition model construction apparatus and method for constructing data recognition model thereof, and data recognition apparatus and method for recognizing data thereof

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971135A (zh) * 2014-05-05 2014-08-06 中国民航大学 基于头肩深度信息特征的人体目标检测方法
CN104077808A (zh) * 2014-07-20 2014-10-01 詹曙 一种用于计算机图形图像处理的、基于深度信息的实时三维人脸建模方法
CN104346608A (zh) * 2013-07-26 2015-02-11 株式会社理光 稀疏深度图稠密化方法和装置
CN104820829A (zh) * 2015-05-08 2015-08-05 常州大学 一种新的基于深度数据的人脸识别算法及其在智能权限分配***中的应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346608A (zh) * 2013-07-26 2015-02-11 株式会社理光 稀疏深度图稠密化方法和装置
CN103971135A (zh) * 2014-05-05 2014-08-06 中国民航大学 基于头肩深度信息特征的人体目标检测方法
CN104077808A (zh) * 2014-07-20 2014-10-01 詹曙 一种用于计算机图形图像处理的、基于深度信息的实时三维人脸建模方法
CN104820829A (zh) * 2015-05-08 2015-08-05 常州大学 一种新的基于深度数据的人脸识别算法及其在智能权限分配***中的应用

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DANIEL WEINLAND.ETC: "Free Viewpoint Action Recognition using Motion History Volumes", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 *
ZHENGYOU ZHANG.ETC: "A Flexible New Techniquefor Camera Calibration", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
张良等: "局部分布信息增强的视觉单词描述与动作识别", 《电子与信息学报》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106454251A (zh) * 2016-10-26 2017-02-22 秦皇岛中科鸿合信息科技有限公司 一种基于深度图像的实时全息图像获取、投影装置与方法
US11908176B2 (en) 2016-11-03 2024-02-20 Samsung Electronics Co., Ltd. Data recognition model construction apparatus and method for constructing data recognition model thereof, and data recognition apparatus and method for recognizing data thereof
CN109906457A (zh) * 2016-11-03 2019-06-18 三星电子株式会社 数据识别模型构建设备及其构建数据识别模型的方法，以及数据识别设备及其识别数据的方法
CN106595647A (zh) * 2016-12-14 2017-04-26 北京理工大学珠海学院 行为状态的监测方法、装置及***
CN106595647B (zh) * 2016-12-14 2020-05-05 北京理工大学珠海学院 行为状态的监测方法、装置及***
CN106886754A (zh) * 2017-01-17 2017-06-23 华中科技大学 一种基于三角面片的三维场景下的物体识别方法及***
CN106886754B (zh) * 2017-01-17 2019-07-09 华中科技大学 一种基于三角面片的三维场景下的物体识别方法及***
CN106874884A (zh) * 2017-03-03 2017-06-20 中国民航大学 基于部位分割的人体再识别方法
CN106874884B (zh) * 2017-03-03 2019-11-12 中国民航大学 基于部位分割的人体再识别方法
CN107169423A (zh) * 2017-04-24 2017-09-15 南京邮电大学 一种视频人物运动类型识别方法
CN107169423B (zh) * 2017-04-24 2020-08-04 南京邮电大学 一种视频人物运动类型识别方法
CN107230226A (zh) * 2017-05-15 2017-10-03 深圳奥比中光科技有限公司 人体关联关系的判断方法、装置及存储装置
CN107256564A (zh) * 2017-05-17 2017-10-17 扬州大学 一种耕地表面结构定量化获取方法
CN107742318A (zh) * 2017-09-28 2018-02-27 江门市金佣网有限公司 商品实时三维成像方法及基于实时三维展示的交易***
CN107679522A (zh) * 2017-10-31 2018-02-09 内江师范学院 基于多流lstm的动作识别方法
CN107679522B (zh) * 2017-10-31 2020-10-13 内江师范学院 基于多流lstm的动作识别方法
CN109960965A (zh) * 2017-12-14 2019-07-02 翔升（上海）电子技术有限公司 基于无人机识别动物行为的方法、装置和***
WO2019144772A1 (zh) * 2018-01-26 2019-08-01 阿里巴巴集团控股有限公司 交互行为检测方法、装置、***及设备
TWI694352B (zh) * 2018-01-26 2020-05-21 香港商阿里巴巴集團服務有限公司 互動行為檢測方法、裝置、系統及設備
US10984228B2 (en) 2018-01-26 2021-04-20 Advanced New Technologies Co., Ltd. Interaction behavior detection method, apparatus, system, and device
CN108364316A (zh) * 2018-01-26 2018-08-03 阿里巴巴集团控股有限公司 交互行为检测方法、装置、***及设备
CN111383270A (zh) * 2018-12-27 2020-07-07 深圳市优必选科技有限公司 物体定位方法、装置、计算机设备及存储介质
CN111383270B (zh) * 2018-12-27 2023-12-29 深圳市优必选科技有限公司 物体定位方法、装置、计算机设备及存储介质
CN109993103A (zh) * 2019-03-29 2019-07-09 华南理工大学 一种基于点云数据的人体行为识别方法
CN111337898A (zh) * 2020-02-19 2020-06-26 北京百度网讯科技有限公司 激光点云的处理方法、装置、设备及存储介质
CN111337898B (zh) * 2020-02-19 2022-10-14 北京百度网讯科技有限公司 激光点云的处理方法、装置、设备及存储介质
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***
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***
CN112036267A (zh) * 2020-08-14 2020-12-04 珠海格力电器股份有限公司 一种目标检测方法、装置、设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN105912999A (zh) 基于深度信息的人体行为识别方法
Rozantsev et al. On rendering synthetic images for training an object detector
CN106157319B (zh) 基于卷积神经网络的区域和像素级融合的显著性检测方法
CN105528794B (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
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
CN103810503B (zh) 一种基于深度学习的自然图像中显著区域的检测方法
CN103310194B (zh) 视频中基于头顶像素点梯度方向的行人头肩部检测方法
CN108932500A (zh) 一种基于深度神经网络的动态手势识别方法及***
CN107748873A (zh) 一种融合背景信息的多峰目标跟踪方法
CN105096259A (zh) 深度图像的深度值恢复方法和***
CN105046206B (zh) 基于视频中运动先验信息的行人检测方法及装置
CN110378408A (zh) 基于迁移学习和神经网络的电力设备图像识别方法和装置
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
Zheng et al. Attention-based spatial-temporal multi-scale network for face anti-spoofing
CN105046197A (zh) 基于聚类的多模板行人检测方法
CN109543632A (zh) 一种基于浅层特征融合引导的深层网络行人检测方法
CN102779270B (zh) 一种针对购物图像搜索的目标衣物图像提取方法
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
CN103020614B (zh) 基于时空兴趣点检测的人体运动识别方法
CN107315998B (zh) 基于车道线的车辆种类划分方法和***
CN106529494A (zh) 一种基于多摄像头机型的人脸识别方法
CN107767400A (zh) 基于层次化显著性分析的遥感图像序列动目标检测方法
CN107066916A (zh) 基于反卷积神经网络的场景语义分割方法
CN106815578A (zh) 一种基于深度运动图‑尺度不变特征变换的手势识别方法
CN107203745A (zh) 一种基于跨域学习的跨视角动作识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160831

RJ01 Rejection of invention patent application after publication