CN107092894A - 一种基于lstm模型的运动行为识别方法 - Google Patents

一种基于lstm模型的运动行为识别方法 Download PDF

Info

Publication number
CN107092894A
CN107092894A CN201710292408.4A CN201710292408A CN107092894A CN 107092894 A CN107092894 A CN 107092894A CN 201710292408 A CN201710292408 A CN 201710292408A CN 107092894 A CN107092894 A CN 107092894A
Authority
CN
China
Prior art keywords
data
lstm
motor behavior
recognition methods
motion
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
CN201710292408.4A
Other languages
English (en)
Inventor
孙恩泽
李宇昊
李海鹏
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201710292408.4A priority Critical patent/CN107092894A/zh
Publication of CN107092894A publication Critical patent/CN107092894A/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
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明主要解决的技术问题是提供一种基于LSTM模型的运动行为识别方法，能够用相对较少的数据取得良好识别准确率，同时克服了当前分类算法中需要人工提取特征的不足，使之能够在实际中广泛应用。步骤S1：通过戴在人手部的传感器手环采集到不同人的有关多组运动的时间序列数据；步骤S2：对采集到的多维原始数据标注出其对应的运动类型，保证接下来监督学习的进行；步骤S3：对训练数据进行必要的处理，然后将其作为输入数据传入到LSTM型模型进行训练，获取最佳的神经网络参数，作为最终识别模型；步骤S4：对待识别的运动行为数据进行预处理，并将其作为LSTM型模型的输入，计算输出层概率最大的运动序列，将所述结果作为最终识的运动类别。

Description

一种基于LSTM模型的运动行为识别方法
技术领域
本发明涉及普适计算中的人类运动识别领域，更具体的说是一种基于LSTM模型的运动行为识别方法。
背景技术
普适计算又称普存计算、普及计算，这一概念强调和环境融为一体的计算，而计算机本身则从人们的视线里消失。在普适计算的模式下，人们能够在任何时间、任何地点、以任何方式进行信息的获取与处理。间断连接与轻量计算(即计算资源相对有限)是普适计算最重要的两个特征。普适计算的软件技术就是要实现在这种环境下的事务和数据处理。
早期的运动识别主要是基于视觉方式的，给定一段图像序列或者一个视频片段，识别出人物的运动类型。基于视觉的方法具有交互自然,提取的特征信息丰富等优点，但该方法在实际应用中也有一些局限性,需要克服很多问题。如环境中的光照条件，人物在摄像机前的位置，场地的大小等。
随着运动手环和智能手表的普及，基于传感器的运动识别变得越发引人关注。传感器具有价格便宜，携带方便,不受场地限制等优点,随着这些设备的发展，运动识别又被带入了一片新的研究领域,补充了传统基于视觉的运动识别方法在实际应用中的不足,促使了运动识别在日常生活中的应用。在运动行为领域中占主导地位的技术方法包括用身体佩带的传感器，手动设计特征提取程序，以及各种(监督)分类方法。传统识别方法往往需要人工提取特征，而不同的运动往往会提取不同的特征。因此在实际应用中会带来诸多不便。而随着深度神经网络的兴起，由于其对原始数据的要求较少，为上述在传统识别中存在的问题的带来了新的解决思路。
发明内容
本发明主要解决的技术问题是提供一种基于LSTM模型的运动行为识别方法，能够用相对较少的数据取得良好识别准确率，同时克服了当前分类算法中需要人工提取特征的不足，使之能够在实际中广泛应用。
为解决上述技术问题，本发明涉及普适计算中的人类运动识别领域，更具体的说是一种基于LSTM模型的运动行为识别方法，该方法包括以下步骤：
步骤S1：通过戴在人手部的传感器手环采集到不同人的有关多组运动的时间序列数据；
步骤S2：对采集到的多维原始数据标注出其对应的运动类型，保证接下来监督学习的进行；
步骤S3：对训练数据进行必要的处理，然后将其作为输入数据传入到LSTM型模型进行训练，获取最佳的神经网络参数，作为最终识别模型；
步骤S4：对待识别的运动行为数据进行预处理，并将其作为LSTM型模型的输入，计算输出层概率最大的运动序列，将所述结果作为最终识的运动类别。
作为本技术方案的进一步优化，本发明一种基于LSTM模型的运动行为识别方法所述的步骤S1具体为：用运动手环获取人的运动时的时间序列数据，包括心率、三轴加速度传感器数据。
作为本技术方案的进一步优化，本发明一种基于LSTM模型的运动行为识别方法所述的步骤S2具体为：将收集到的不同测试对象的数据按照其当时的运动类别进行标注，形成一个可用于监督学习维度为F的完整数据集。
作为本技术方案的进一步优化，本发明一种基于LSTM模型的运动行为识别方法所述的步骤S3具体为：对收集到的数据按照下述步骤进行预处理，首先去掉过渡状态运动状态的数据，填充缺失值，去掉时间标记，然后根据传感器采样频率fHz，设计一个窗口大小为2f，步长为f的滑动窗口对时间序列数据进行分割；随后将分割好的数据进行归一化处理，使其符合sigmoid函数的形式；最后将处理好的数据传入LSTM型模型进行训练，其中损失函数为categorical cross-entropy，优化器为RMSprop，学习率为0.001；通过训练模型获得不同运动类别对应的权重参数。
本发明一种基于LSTM模型的运动行为识别方法的有益效果为：
本发明一种基于LSTM模型的运动行为识别方法，能够用相对较少的数据取得良好识别准确率，同时克服了当前分类算法中需要人工提取特征的不足，使之能够在实际中广泛应用。
附图说明
下面结合附图和具体实施方法对本发明做进一步详细的说明。
图1为本发明一种基于LSTM模型的运动行为识别方法的数据收集、处理与LSTM模型构建的流程图。
图2为本发明一种基于LSTM模型的运动行为识别方法搭建的LSTM模型图。
图3为本发明一种基于LSTM模型的运动行为识别方法的LSTM单元展开示意图。
图4为本发明一种基于LSTM模型的运动行为识别方法的LSTM单元内部详解示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
步骤S1具体为：用运动手环获取人的运动时的时间序列数据，具体为心率监测器收集到的心率、三轴加速度传感器收集的XYZ方向上的加速度。
步骤S2具体为：将收集到的不同测试对象的数据按照其当时的运动类别进行标注，形成一个可用于监督学习维度为F的完整数据集。
如图1所示，所述步骤S3具体为：对收集到的数据按照进行预处理。首先去掉过渡状态运动状态的数据，填充缺失值，去掉时间标记，然后根据传感器采样频率fHz，设计一个窗口大小为2f，步长为f的滑动窗口对时间序列数据进行分割。随后将分割好的数据进行归一化处理，使其符合sigmoid函数的形式。最后将处理好的数据传入设计好的LSTM型模型进行训练，其中损失函数为categorical cross-entropy，优化器为RMSprop，学习率为0.001。通过训练模型获得不同运动类别对应的权重参数。
如图2所示，所述的LSTM型模型包括输入层、隐藏层、断开层和输出层，输入层的输入为时间步数为T的滑动窗口，输出层的输出为输入所对应的运动类别序列a1、a2、a3…am，激活函数为softmax函数，隐藏层包括多个LSTM单元，断开层的断开率为50％，以防止过拟合。时间步长为T，维度为F。
如图3所示，为了研究移动数据的时序依赖，我们使用了递归数据网络，它基于vanilla变型的LSTM单元。当网络中的一些连接形成定向循环时，该结构是递归的，其中当前的时间t会考虑到前面时间t-1的网络状态。当错误的衍生物通过递归网络中的很多层“通过时间”进行反向传播时，LSTM单元用于抑制梯度下降。每一个LSTM单元(联合)都会持续追踪代表他“记忆”的内部状态。随着时间的推移，该单元学会，输出，覆盖，或者基于当前的输出和过去的内部状态清空他们的内存，从而使一个***保留数百个时间步长的信息。
如图4所示，LSTM单元包括3个控制门(Input Gate,Output Gate,Forget gate),用于控制输入、输出及跨越时间步骤自身的内部状态三者之间的关联。其中ft＝σ(Wf·[ht-1，xt]+bf)；it＝σ(Wi·[ht-1，xt]+bi)； ot＝σ(Wo[ht-1，xt]+bo)；ht＝ot*tanh(Ct)。
所述步骤具体为使用收集来的测试数据生产LSTM模型最终对所述待识别时间序列进行识别，即首先对原始数据进行预处理，使其成为模型可以识别的数据集，然后通过模型进行预测，以生成运动类别结果。
当然，上述说明并非对本发明的限制，本发明也不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也属于本发明的保护范围。

Claims (4)

1.一种基于LSTM模型的运动行为识别方法，其特征在于，该方法包括以下步骤：
步骤S1：通过戴在人手部的传感器手环采集到不同人的有关多组运动的时间序列数据；
步骤S2：对采集到的多维原始数据标注出其对应的运动类型，保证接下来监督学习的进行；
步骤S3：对训练数据进行必要的处理，然后将其作为输入数据传入到LSTM型模型进行训练，获取最佳的神经网络参数，作为最终识别模型；
步骤S4：对待识别的运动行为数据进行预处理，并将其作为LSTM型模型的输入，计算输出层概率最大的运动序列，将所述结果作为最终识的运动类别。
2.根据权利要求1所述的一种基于LSTM模型的运动行为识别方法，其特征在于：所述的步骤S1具体为：用运动手环获取人的运动时的时间序列数据，包括心率、三轴加速度传感器数据。
3.根据权利要求1所述的一种基于LSTM模型的运动行为识别方法，其特征在于：所述的步骤S2具体为：将收集到的不同测试对象的数据按照其当时的运动类别进行标注，形成一个可用于监督学习维度为F的完整数据集。
4.根据权利要求1所述的一种基于LSTM模型的运动行为识别方法，其特征在于：所述的步骤S3具体为：对收集到的数据按照下述步骤进行预处理，首先去掉过渡状态运动状态的数据，填充缺失值，去掉时间标记，然后根据传感器采样频率fHz，设计一个窗口大小为2f，步长为f的滑动窗口对时间序列数据进行分割；随后将分割好的数据进行归一化处理，使其符合sigmoid函数的形式；最后将处理好的数据传入LSTM型模型进行训练，其中损失函数为categorical cross-entropy，优化器为RMSprop，学习率为0.001；通过训练模型获得不同运动类别对应的权重参数。
CN201710292408.4A 2017-04-28 2017-04-28 一种基于lstm模型的运动行为识别方法 Pending CN107092894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710292408.4A CN107092894A (zh) 2017-04-28 2017-04-28 一种基于lstm模型的运动行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710292408.4A CN107092894A (zh) 2017-04-28 2017-04-28 一种基于lstm模型的运动行为识别方法

Publications (1)

Publication Number Publication Date
CN107092894A true CN107092894A (zh) 2017-08-25

Family

ID=59637262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710292408.4A Pending CN107092894A (zh) 2017-04-28 2017-04-28 一种基于lstm模型的运动行为识别方法

Country Status (1)

Country Link
CN (1) CN107092894A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108926338A (zh) * 2018-05-31 2018-12-04 中南民族大学 基于深度学习的心率预测方法及装置
CN109214285A (zh) * 2018-08-01 2019-01-15 浙江深眸科技有限公司 基于深度卷积神经网络与长短期记忆网络的摔倒检测方法
CN109344960A (zh) * 2018-09-01 2019-02-15 哈尔滨工程大学 一种防止数据信息丢失的dgru神经网络及其预测模型建立方法
CN109447162A (zh) * 2018-11-01 2019-03-08 山东大学 一种基于Lora和Capsule的实时行为识别***及其工作方法
CN109447164A (zh) * 2018-11-01 2019-03-08 厦门大学 一种运动行为模式分类方法、***以及装置
CN109460812A (zh) * 2017-09-06 2019-03-12 富士通株式会社 神经网络的中间信息分析装置、优化装置、特征可视化装置
CN109726662A (zh) * 2018-12-24 2019-05-07 南京师范大学 基于卷积和循环组合神经网络的多类别人体姿态识别方法
CN109801200A (zh) * 2018-12-03 2019-05-24 国政通科技有限公司 一种分级检测的方法和***
CN109886109A (zh) * 2019-01-16 2019-06-14 南京邮电大学 一种基于深度学习的行为识别方法
CN110664412A (zh) * 2019-09-19 2020-01-10 天津师范大学 一种面向可穿戴传感器的人类活动识别方法
CN111742327A (zh) * 2018-02-19 2020-10-02 博朗有限公司 用于实施可移动处理装置的定位的设备和方法
CN112101235A (zh) * 2020-09-16 2020-12-18 济南大学 一种基于老年人行为特征的老年人行为识别检测方法
CN112434669A (zh) * 2020-12-14 2021-03-02 武汉纺织大学 一种多信息融合的人体行为检测方法及***
CN112633467A (zh) * 2020-11-25 2021-04-09 超越科技股份有限公司 一种基于猫眼连接改进lstm模型的人体行为识别方法
CN112926553A (zh) * 2021-04-25 2021-06-08 北京芯盾时代科技有限公司 一种动作检测网络的训练方法及装置
CN112932469A (zh) * 2021-01-26 2021-06-11 山西三友和智慧信息技术股份有限公司 一种基于CNN+Transformer的三轴加速度活动识别方法
CN113269400A (zh) * 2021-04-25 2021-08-17 贵州电网有限责任公司 一种基于历史运维信息的低压配电网设备状态评估方法
CN114237394A (zh) * 2021-12-13 2022-03-25 广东乐心医疗电子股份有限公司 一种运动识别方法、装置、设备及介质
GB2609542A (en) * 2021-06-02 2023-02-08 Nvidia Corp Techniques for classification with neural networks
US12033057B2 (en) 2018-02-19 2024-07-09 Braun Gmbh System for classifying the usage of a handheld consumer device

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678222A (zh) * 2015-12-29 2016-06-15 浙江大学 一种基于移动设备的人体行为识别方法
WO2016106383A2 (en) * 2014-12-22 2016-06-30 Robert Bosch Gmbh First-person camera based visual context aware system
CN105844239A (zh) * 2016-03-23 2016-08-10 北京邮电大学 一种基于cnn和lstm的暴恐视频检测方法
CN106022239A (zh) * 2016-05-13 2016-10-12 电子科技大学 一种基于循环神经网络的多目标跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016106383A2 (en) * 2014-12-22 2016-06-30 Robert Bosch Gmbh First-person camera based visual context aware system
CN105678222A (zh) * 2015-12-29 2016-06-15 浙江大学 一种基于移动设备的人体行为识别方法
CN105844239A (zh) * 2016-03-23 2016-08-10 北京邮电大学 一种基于cnn和lstm的暴恐视频检测方法
CN106022239A (zh) * 2016-05-13 2016-10-12 电子科技大学 一种基于循环神经网络的多目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MARCUS EDEL ET AL: "《An Advanced Method for Pedestrian Dead Reckoning using BLSTM-RNNs》", 《2015 INTERNATIONAL CONFERENCE ON INDOOR POSITIONING AND INDOOR NAVIGATION (IPIN)》 *

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460812A (zh) * 2017-09-06 2019-03-12 富士通株式会社 神经网络的中间信息分析装置、优化装置、特征可视化装置
CN111771208A (zh) * 2018-02-19 2020-10-13 博朗有限公司 用于实施可移动处理装置的定位的设备和方法
CN111771208B (zh) * 2018-02-19 2024-05-28 博朗有限公司 用于实施可移动处理装置的定位的设备和方法
CN111742327A (zh) * 2018-02-19 2020-10-02 博朗有限公司 用于实施可移动处理装置的定位的设备和方法
CN111742327B (zh) * 2018-02-19 2024-05-28 博朗有限公司 用于实施可移动处理装置的定位的设备和方法
US12033057B2 (en) 2018-02-19 2024-07-09 Braun Gmbh System for classifying the usage of a handheld consumer device
CN111771209A (zh) * 2018-02-19 2020-10-13 博朗有限公司 用于对可移动处理装置的运动进行分类的设备和方法
CN108926338B (zh) * 2018-05-31 2019-06-18 中南民族大学 基于深度学习的心率预测方法及装置
CN108926338A (zh) * 2018-05-31 2018-12-04 中南民族大学 基于深度学习的心率预测方法及装置
CN109214285A (zh) * 2018-08-01 2019-01-15 浙江深眸科技有限公司 基于深度卷积神经网络与长短期记忆网络的摔倒检测方法
CN109344960A (zh) * 2018-09-01 2019-02-15 哈尔滨工程大学 一种防止数据信息丢失的dgru神经网络及其预测模型建立方法
CN109447164B (zh) * 2018-11-01 2019-07-19 厦门大学 一种运动行为模式分类方法、***以及装置
CN109447162A (zh) * 2018-11-01 2019-03-08 山东大学 一种基于Lora和Capsule的实时行为识别***及其工作方法
CN109447164A (zh) * 2018-11-01 2019-03-08 厦门大学 一种运动行为模式分类方法、***以及装置
CN109447162B (zh) * 2018-11-01 2021-09-24 山东大学 一种基于Lora和Capsule的实时行为识别***及其工作方法
WO2020088491A1 (zh) * 2018-11-01 2020-05-07 厦门大学 一种运动行为模式分类方法、***以及装置
US11551479B2 (en) 2018-11-01 2023-01-10 Xiamen University Motion behavior pattern classification method, system and device
CN109801200A (zh) * 2018-12-03 2019-05-24 国政通科技有限公司 一种分级检测的方法和***
CN109726662A (zh) * 2018-12-24 2019-05-07 南京师范大学 基于卷积和循环组合神经网络的多类别人体姿态识别方法
CN109886109A (zh) * 2019-01-16 2019-06-14 南京邮电大学 一种基于深度学习的行为识别方法
CN109886109B (zh) * 2019-01-16 2022-08-30 南京邮电大学 一种基于深度学习的行为识别方法
CN110664412A (zh) * 2019-09-19 2020-01-10 天津师范大学 一种面向可穿戴传感器的人类活动识别方法
CN112101235A (zh) * 2020-09-16 2020-12-18 济南大学 一种基于老年人行为特征的老年人行为识别检测方法
CN112633467A (zh) * 2020-11-25 2021-04-09 超越科技股份有限公司 一种基于猫眼连接改进lstm模型的人体行为识别方法
CN112434669B (zh) * 2020-12-14 2023-09-26 武汉纺织大学 一种多信息融合的人体行为检测方法及***
CN112434669A (zh) * 2020-12-14 2021-03-02 武汉纺织大学 一种多信息融合的人体行为检测方法及***
CN112932469A (zh) * 2021-01-26 2021-06-11 山西三友和智慧信息技术股份有限公司 一种基于CNN+Transformer的三轴加速度活动识别方法
CN113269400A (zh) * 2021-04-25 2021-08-17 贵州电网有限责任公司 一种基于历史运维信息的低压配电网设备状态评估方法
CN112926553B (zh) * 2021-04-25 2021-08-13 北京芯盾时代科技有限公司 一种动作检测网络的训练方法及装置
CN113269400B (zh) * 2021-04-25 2022-12-06 贵州电网有限责任公司 一种基于历史运维信息的低压配电网设备状态评估方法
CN112926553A (zh) * 2021-04-25 2021-06-08 北京芯盾时代科技有限公司 一种动作检测网络的训练方法及装置
GB2609542A (en) * 2021-06-02 2023-02-08 Nvidia Corp Techniques for classification with neural networks
GB2609542B (en) * 2021-06-02 2023-12-13 Nvidia Corp Techniques for classification with neural networks
CN114237394A (zh) * 2021-12-13 2022-03-25 广东乐心医疗电子股份有限公司 一种运动识别方法、装置、设备及介质
CN114237394B (zh) * 2021-12-13 2024-05-24 广东乐心医疗电子股份有限公司 一种运动识别方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN107092894A (zh) 一种基于lstm模型的运动行为识别方法
CN108764059B (zh) 一种基于神经网络的人体行为识别方法及***
CN106570477B (zh) 基于深度学习的车型识别模型构建方法及车型识别方法
CN101807245B (zh) 基于人工神经网络的多源步态特征提取与身份识别方法
CN105447473B (zh) 一种基于PCANet-CNN的任意姿态人脸表情识别方法
CN103605972B (zh) 一种基于分块深度神经网络的非限制环境人脸验证方法
CN108764207A (zh) 一种基于多任务卷积神经网络的人脸表情识别方法
CN109101938B (zh) 一种基于卷积神经网络的多标签年龄估计方法
CN110348364B (zh) 一种无监督聚类与时空域深度网络相结合的篮球视频群体行为识别方法
CN108245172B (zh) 一种不受位置约束的人体姿态识别方法
CN109101876A (zh) 基于长短时记忆网络的人体行为识别方法
CN109815826A (zh) 人脸属性模型的生成方法及装置
CN106778664A (zh) 一种虹膜图像中虹膜区域的分割方法及其装置
CN110097029B (zh) 基于Highway网络多视角步态识别的身份认证方法
CN110478883A (zh) 一种健身动作教学及矫正***及方法
CN106778796A (zh) 基于混合式协同训练的人体动作识别方法及***
CN110610158A (zh) 一种基于卷积和门控循环神经网络的人体姿态识别方法及***
CN110222634A (zh) 一种基于卷积神经网络的人体姿态识别方法
Nawaratne et al. Hierarchical two-stream growing self-organizing maps with transience for human activity recognition
CN110059593B (zh) 一种基于反馈卷积神经网络的面部表情识别方法
CN109583331B (zh) 基于深度学习的人手腕脉口位置精准定位方法
CN106909938A (zh) 基于深度学习网络的视角无关性行为识别方法
CN109376613A (zh) 基于大数据和深度学习技术的视频智能监控***
CN108073851A (zh) 一种抓取手势识别的方法、装置及电子设备
CN104063721A (zh) 一种基于语义特征自动学习与筛选的人类行为识别方法

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

Application publication date: 20170825