CN107179683A - 一种基于神经网络的交互机器人智能运动检测与控制方法 - Google Patents
一种基于神经网络的交互机器人智能运动检测与控制方法 Download PDFInfo
- Publication number
- CN107179683A CN107179683A CN201710211360.XA CN201710211360A CN107179683A CN 107179683 A CN107179683 A CN 107179683A CN 201710211360 A CN201710211360 A CN 201710211360A CN 107179683 A CN107179683 A CN 107179683A
- Authority
- CN
- China
- Prior art keywords
- human eye
- stage
- face
- interaction
- eye
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 7
- 230000002452 interceptive effect Effects 0.000 title abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims description 30
- 230000006399 behavior Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 208000001491 myopia Diseases 0.000 claims description 11
- 230000007935 neutral effect Effects 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000036632 reaction speed Effects 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 abstract 1
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
一种基于神经网络的交互机器人智能运动检测与控制方法,使用传统特征工程和分类器作为人眼部位初步定位,神经网络作为行为高效识别,引入有限状态机实现状态快速转换。阶段一提取Haar‑like特征并结合Adaboost级联分类器完成交互机器人人脸识别,脸部人眼识别,同时采用卷积神经网络进行人眼二次检测与筛选。阶段二,计算双眼光流图,使用CNN提取空域特征,LSTM提取时域特征,完成人眼行为识别。阶段三使用有限状态机FSM完成状态装换。该***检测精度高,状态转换快速。
Description
技术领域
本发明涉及一种教育交互机器人人员行为检测与运动控制方法,具体利用交互机器人摄像头实时捕捉人员眼睛状态(向左,向右,恢复等状态),通过人脸检测,脸部眼睛检测,眼睛位置二次确认,CNN+LSTM眼睛光流图时空特征抽取与行为分类,最终使用有限状态机进行运动转换与控制。交互机器人根据运动状态执行相应的动作(左摆臂,右摆臂,摇手等)。该方法包含计算机视觉(行为识别)、人工智能(策略控制)等领域。
背景技术
交互机器人属于机器人一个分支,在工业,教育,科研等领域扮演着至关重要的作用。通过结合人工智能和机器人最前沿高新技术,完成传统工业生产,公共服务,高校科研,医疗呵护行业的人工服务替换,是推动社会生产,科研进步的重要工具。交互机器人涉及到的研究领域包括智能机器人***,多智能体***,实时模式识别与行为***,智能体结构设计,实时规划和推理,传感器技术。其中计算机视觉主要旨在解决机器人视觉感知与检测任务,人工智能主要旨在解决感知数据融合与决策。
现有技术在使用眼睛行为控制交互机器人运动具有二个难点:难点一,如何在最短时间内检测摄像头捕捉到交互人员图片的眼睛部位,同时眼睛检测的正确性和鲁棒性直接影响***后续行为检测流程以及最终运动状态执行结果,错误检测或者检测不到将导致行为分析失败;难点二,如何在眼睛部位检测到之后,根据时间信息分析眼睛动作确定交互人行为,并且快速进行状态装换与运动执行。上述问题,目前尚未得到解决。
发明内容
本发明要克服上述现有技术的缺点,提供一种一种基于神经网络的交互机器人智能运动检测与控制。
本发明利用计算机视觉,神经网络,人工智能方法解决问题,最终完成***的设计与实现。使用检测快速,计算复杂度较低的Haar-like特征与Adaboost分类器作为人脸、人眼检测工具。使用卷积神经网络CNN作为人眼二次筛选与空间特征提取工具,使用长短期记忆神经网络LSTM作为时间特征提取工具,具备非常高的准确性与鲁棒性。使用有限状态机FSM作为运动状态控制算法,具备快速反应能力。
为了实现高准确性和实时性,具体方案如下(如图1):训练阶段采集大量交互人员行为样本(动作短视频),手动标注出人脸,人眼部位,提取Haar-like特征训练Adaboost,计算人眼光流图训练CNN与LSTM;检测阶段,机器人利用摄像头采集图像帧,分别进行人脸检测,脸部眼睛检测,眼睛二次筛选,行为识别,运动状态控制。
本发明的一种基于神经网络的交互机器人智能运动检测与控制方法,步骤如下:
步骤1.预处理。如图2,利用交互机器人摄像头采集交互人眼睛动作的短视频,每个视频时长2秒,眼睛动作包含向左运动,向右运动,恢复到直视前方的3类动作。为了保证***鲁棒性,尽可能在不同背景下,多采集不同交互人样本。
步骤2.阶段一训练。如图2,对上述采集到的短视频动作样本,每隔5帧采集一张视频帧图片,并且手动标注人脸,人眼位置标定框,生成不同动作下的人脸和人眼照片。对人脸照片和人眼照片分别提取Haar-like特征,并且训练Adaboost级联分类器,用作人脸和脸部人眼检测工具。同时利用人眼照片训练卷积神经网络,用作人眼二次筛选工具。为保证检测速度,使用小型神经网络。
步骤3.阶段二训练。如图2,利用阶段一训练完毕的模型,首先对所有动作短视频做人眼检测,生成时间走向的人眼图片序列;其次对序列计算光流,得到每个短视频动作时间维度上的光流图序列,同时为每个短视频分配一个行为标签(向左,向右,恢复);最后利用光流图训练CNN+LSTM行为检测网络。得到阶段二模型。
步骤4.行为检测。如图3,该阶段使用交互机器人前置摄像头逐帧获取图像,使用训练完毕检测模型,对图像中交互人进行人脸识别,脸部人眼识别,CNN二次筛选,得到图片中交互人双眼图片;根据当前双眼状态和前一时刻双眼状态计算当前时刻的双眼光流图,利用训练完毕的阶段二模型,进行双眼行为识别,得到行为标签。
步骤5.状态控制。如图3,根据上一时刻的运动状态(行为标签),以及当前时刻的运动状态(行为标签),使用设置完毕的有限状态机FSM进行状态快速转换,实现运动状态控制(保持或者转换)。
本发明中训练和预测阶段所用到的技术:Haar-like,Adaboost,CNN,LSTM,均能使用OpenCV与Tensorflow实现,因此该方法实现完全可行。
本发明的优点是:最大化利用交互机器人硬件设备资源,使用传统特征与分类器快速地对人眼进行检测,计算量小;使用神经网络完成对人眼行为精确分析,准确率高;最终有限状态机算法完成状态转换,实时性强,灵敏度高。
附图说明
图1是本发明方法所用的***总体框架
图2是本发明的训练阶段流程图
图3是本发明的检测阶段流程图
图4是本发明的方法流程图
具体实施方式
下面结合附图1-4,对本发明作进一步描述。
本发明的一种基于神经网络的交互机器人智能运动检测与控制方法,包括如下步骤:
步骤1.预处理。如图2,利用交互机器人摄像头采集交互人眼睛动作的短视频,每个视频时长2秒,眼睛动作包含向左运动,向右运动,恢复到直视前方等3类动作。为了保证***鲁棒性,尽可能在不同背景下,多采集不同交互人样本。
步骤2.阶段一训练。如图2,对上述采集到的短视频动作样本,每隔5帧采集一张视频帧图片,并且手动标注人脸,人眼位置标定框,生成不同动作下的人脸和人眼照片。对人脸照片和人眼照片分别提取Haar-like特征,并且训练Adaboost级联分类器,用作人脸和脸部人眼检测工具。同时利用人眼照片训练卷积神经网络,用作人眼二次筛选工具。为保证检测速度,使用小型神经网络。
步骤3.阶段二训练。如图2,利用阶段一训练完毕的模型,首先对所有动作短视频做人眼检测,生成时间走向的人眼图片序列;其次对序列计算光流,得到每个短视频动作时间维度上的光流图序列,同时为每个短视频分配一个行为标签(向左,向右,恢复);最后利用光流图训练CNN+LSTM行为检测网络。得到阶段二模型。
步骤4.行为检测。如图3,该阶段使用交互机器人前置摄像头逐帧获取图像,使用训练完毕检测模型,对图像中交互人进行人脸识别,脸部人眼识别,CNN二次筛选,得到图片中交互人双眼图片;根据当前双眼状态和前一时刻双眼状态计算当前时刻的双眼光流图,利用训练完毕的阶段二模型,进行双眼行为识别,得到行为标签。
步骤5.状态控制。如图3,4。根据上一时刻的运动状态(行为标签),以及当前时刻的运动状态(行为标签),使用设置完毕的有限状态机FSM进行状态快速转换,实现运动状态控制(保持或者转换)
经过如上步骤,根据本发明,可以完成神经网络的交互机器人智能运动检测与控制***实现。该***结合传统算法与深度学习,识别快速,同时具备很高的准确性和***灵敏性。
Claims (2)
1.一种基于神经网络的交互机器人智能运动检测与控制方法,具有以下步骤:
步骤1.预处理;利用交互机器人摄像头采集交互人眼睛动作的短视频,每个视频时长2秒,眼睛动作包含向左运动,向右运动,恢复到直视前方的3类动作;为了保证***鲁棒性,尽可能在不同背景下,多采集不同交互人样本;
步骤2.阶段一训练;对上述采集到的短视频动作样本,每隔5帧采集一张视频帧图片,并且手动标注人脸,人眼位置标定框,生成不同动作下的人脸和人眼照片;对人脸照片和人眼照片分别提取Haar-like特征,并且训练Adaboost级联分类器,用作人脸和脸部人眼检测工具;同时利用人眼照片训练卷积神经网络,用作人眼二次筛选工具;为保证检测速度,使用小型神经网络;
步骤3.阶段二训练;利用阶段一训练完毕的模型,首先对所有动作短视频做人眼检测,生成时间走向的人眼图片序列;其次对序列计算光流,得到每个短视频动作时间维度上的光流图序列,同时为每个短视频分配一个标签,标签是向左,向右,恢复;最后利用光流图训练CNN+LSTM行为检测网络;得到阶段二模型;
步骤4.行为检测;该阶段使用交互机器人前置摄像头逐帧获取图像,使用训练完毕检测模型,对图像中交互人进行人脸识别,脸部人眼识别,CNN二次筛选,得到图片中交互人双眼图片;根据当前双眼状态和前一时刻双眼状态计算当前时刻的双眼光流图,利用训练完毕的阶段二模型,进行双眼行为识别,得到行为标签;
步骤5.状态控制;根据上一时刻的运动状态(向左,向右,恢复),以及当前时刻的运动状态(行为标签),使用设置完毕的有限状态机FSM进行状态快速转换,实现运动状态控制(保持或者转换)。
2.如权利要求1所述的基于神经网络的交互机器人智能运动检测与控制***设计与实现,其特征在于:步骤2所述的阶段一训练,利用传统Haar-like与Adaboost分类器完成人眼快速检测,使用轻量级卷积神经网络完成人眼精确筛选;步骤3所述的阶段二,使用卷积神经网络CNN与长短期记忆神经网络LSTM完成人眼行为识别,识别精度高;最后使用有限状态机FSM完成运动控制与决策,反应速度灵敏,实现容易。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211360.XA CN107179683B (zh) | 2017-04-01 | 2017-04-01 | 一种基于神经网络的交互机器人智能运动检测与控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211360.XA CN107179683B (zh) | 2017-04-01 | 2017-04-01 | 一种基于神经网络的交互机器人智能运动检测与控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107179683A true CN107179683A (zh) | 2017-09-19 |
CN107179683B CN107179683B (zh) | 2020-04-24 |
Family
ID=59829939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710211360.XA Active CN107179683B (zh) | 2017-04-01 | 2017-04-01 | 一种基于神经网络的交互机器人智能运动检测与控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107179683B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729854A (zh) * | 2017-10-25 | 2018-02-23 | 南京阿凡达机器人科技有限公司 | 一种机器人的手势识别方法、***及机器人 |
CN107862331A (zh) * | 2017-10-31 | 2018-03-30 | 华中科技大学 | 一种基于时间序列及cnn的不安全行为识别方法及*** |
CN108009493A (zh) * | 2017-11-30 | 2018-05-08 | 电子科技大学 | 基于动作增强的人脸防欺骗识别方法 |
CN108510194A (zh) * | 2018-03-30 | 2018-09-07 | 平安科技(深圳)有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
CN108681690A (zh) * | 2018-04-04 | 2018-10-19 | 浙江大学 | 一种基于深度学习的流水线人员规范操作检测*** |
CN109389091A (zh) * | 2018-10-22 | 2019-02-26 | 重庆邮电大学 | 基于神经网络和注意力机制结合的文字识别***及方法 |
CN109446872A (zh) * | 2018-08-24 | 2019-03-08 | 南京理工大学 | 基于矩形框坐标变换的多方向文本行检测方法 |
CN109919295A (zh) * | 2017-12-12 | 2019-06-21 | 北京大学深圳研究生院 | 一种基于轻量级卷积神经网络的嵌入式音频事件检测方法 |
CN110084259A (zh) * | 2019-01-10 | 2019-08-02 | 谢飞 | 一种结合面部纹理和光流特征的面瘫分级综合评估*** |
CN110154024A (zh) * | 2019-05-22 | 2019-08-23 | 清华大学 | 一种基于长短期记忆神经网络增量模型的装配控制方法 |
CN110275527A (zh) * | 2019-05-29 | 2019-09-24 | 南京航空航天大学 | 一种基于改进拟态物理法的多智能体***运动控制方法 |
CN111428116A (zh) * | 2020-06-08 | 2020-07-17 | 四川大学 | 一种基于深度神经网络的微博社交机器人检测方法 |
CN111738176A (zh) * | 2020-06-24 | 2020-10-02 | 支付宝实验室(新加坡)有限公司 | 一种活体检测模型训练、活体检测方法、装置、设备及介质 |
CN113156926A (zh) * | 2020-01-22 | 2021-07-23 | 深圳市优必选科技股份有限公司 | 机器人的有限状态机的建立方法、有限状态机和机器人 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003175480A (ja) * | 2001-12-13 | 2003-06-24 | Sony Corp | ロボット装置及びその行動制御方法、連想記憶装置及び連想記憶方法 |
CN101092032A (zh) * | 2006-06-22 | 2007-12-26 | 本田研究所欧洲有限公司 | 机器人交互行为控制 |
CN105511260A (zh) * | 2015-10-16 | 2016-04-20 | 深圳市天博智科技有限公司 | 一种幼教陪伴型机器人及其交互方法和*** |
CN106325065A (zh) * | 2015-06-26 | 2017-01-11 | 北京贝虎机器人技术有限公司 | 机器人交互行为的控制方法、装置及机器人 |
CN106406098A (zh) * | 2016-11-22 | 2017-02-15 | 西北工业大学 | 一种机器人***在未知环境下的人机交互控制方法 |
-
2017
- 2017-04-01 CN CN201710211360.XA patent/CN107179683B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003175480A (ja) * | 2001-12-13 | 2003-06-24 | Sony Corp | ロボット装置及びその行動制御方法、連想記憶装置及び連想記憶方法 |
CN101092032A (zh) * | 2006-06-22 | 2007-12-26 | 本田研究所欧洲有限公司 | 机器人交互行为控制 |
CN106325065A (zh) * | 2015-06-26 | 2017-01-11 | 北京贝虎机器人技术有限公司 | 机器人交互行为的控制方法、装置及机器人 |
CN105511260A (zh) * | 2015-10-16 | 2016-04-20 | 深圳市天博智科技有限公司 | 一种幼教陪伴型机器人及其交互方法和*** |
CN106406098A (zh) * | 2016-11-22 | 2017-02-15 | 西北工业大学 | 一种机器人***在未知环境下的人机交互控制方法 |
Non-Patent Citations (1)
Title |
---|
刘宇航 等: "基于实时手势识别与跟踪的人机交互实现", 《科学技术与工程》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729854A (zh) * | 2017-10-25 | 2018-02-23 | 南京阿凡达机器人科技有限公司 | 一种机器人的手势识别方法、***及机器人 |
WO2019080203A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京阿凡达机器人科技有限公司 | 一种机器人的手势识别方法、***及机器人 |
CN107862331A (zh) * | 2017-10-31 | 2018-03-30 | 华中科技大学 | 一种基于时间序列及cnn的不安全行为识别方法及*** |
CN108009493B (zh) * | 2017-11-30 | 2021-07-06 | 电子科技大学 | 基于动作增强的人脸防欺骗识别方法 |
CN108009493A (zh) * | 2017-11-30 | 2018-05-08 | 电子科技大学 | 基于动作增强的人脸防欺骗识别方法 |
CN109919295A (zh) * | 2017-12-12 | 2019-06-21 | 北京大学深圳研究生院 | 一种基于轻量级卷积神经网络的嵌入式音频事件检测方法 |
CN109919295B (zh) * | 2017-12-12 | 2022-10-28 | 北京大学深圳研究生院 | 一种基于轻量级卷积神经网络的嵌入式音频事件检测方法 |
CN108510194A (zh) * | 2018-03-30 | 2018-09-07 | 平安科技(深圳)有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
CN108681690A (zh) * | 2018-04-04 | 2018-10-19 | 浙江大学 | 一种基于深度学习的流水线人员规范操作检测*** |
CN109446872A (zh) * | 2018-08-24 | 2019-03-08 | 南京理工大学 | 基于矩形框坐标变换的多方向文本行检测方法 |
CN109446872B (zh) * | 2018-08-24 | 2022-04-19 | 南京理工大学 | 一种基于递归神经网络的群体动作识别方法 |
CN109389091A (zh) * | 2018-10-22 | 2019-02-26 | 重庆邮电大学 | 基于神经网络和注意力机制结合的文字识别***及方法 |
CN109389091B (zh) * | 2018-10-22 | 2022-05-03 | 重庆邮电大学 | 基于神经网络和注意力机制结合的文字识别***及方法 |
CN110084259B (zh) * | 2019-01-10 | 2022-09-20 | 谢飞 | 一种结合面部纹理和光流特征的面瘫分级综合评估*** |
CN110084259A (zh) * | 2019-01-10 | 2019-08-02 | 谢飞 | 一种结合面部纹理和光流特征的面瘫分级综合评估*** |
CN110154024A (zh) * | 2019-05-22 | 2019-08-23 | 清华大学 | 一种基于长短期记忆神经网络增量模型的装配控制方法 |
CN110275527A (zh) * | 2019-05-29 | 2019-09-24 | 南京航空航天大学 | 一种基于改进拟态物理法的多智能体***运动控制方法 |
CN113156926A (zh) * | 2020-01-22 | 2021-07-23 | 深圳市优必选科技股份有限公司 | 机器人的有限状态机的建立方法、有限状态机和机器人 |
CN113156926B (zh) * | 2020-01-22 | 2024-05-17 | 深圳市优必选科技股份有限公司 | 机器人的有限状态机的建立方法、有限状态机和机器人 |
CN111428116A (zh) * | 2020-06-08 | 2020-07-17 | 四川大学 | 一种基于深度神经网络的微博社交机器人检测方法 |
CN111428116B (zh) * | 2020-06-08 | 2021-01-12 | 四川大学 | 一种基于深度神经网络的微博社交机器人检测方法 |
CN111738176A (zh) * | 2020-06-24 | 2020-10-02 | 支付宝实验室(新加坡)有限公司 | 一种活体检测模型训练、活体检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107179683B (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107179683A (zh) | 一种基于神经网络的交互机器人智能运动检测与控制方法 | |
Zhang et al. | Unsupervised discovery of object landmarks as structural representations | |
CN107358223B (zh) | 一种基于yolo的人脸检测与人脸对齐方法 | |
CN107808131B (zh) | 基于双通路深度卷积神经网络的动态手势识别方法 | |
CN112906604B (zh) | 一种基于骨骼和rgb帧融合的行为识别方法、装置及*** | |
Jalal et al. | Human activity recognition using the labeled depth body parts information of depth silhouettes | |
CN105426827A (zh) | 活体验证方法、装置和*** | |
CN108830252A (zh) | 一种融合全局时空特征的卷积神经网络人体动作识别方法 | |
Sincan et al. | Using motion history images with 3d convolutional networks in isolated sign language recognition | |
CN110503081A (zh) | 基于帧间差分的暴力行为检测方法、***、设备及介质 | |
CN110889672A (zh) | 一种基于深度学习的学生打卡及上课状态的检测*** | |
CN111814661A (zh) | 基于残差-循环神经网络的人体行为识别方法 | |
CN108288015A (zh) | 基于时间尺度不变性的视频中人体动作识别方法及*** | |
Wei et al. | Real-time facial expression recognition for affective computing based on Kinect | |
CN107146237A (zh) | 一种基于在线状态学习与估计的目标跟踪方法 | |
Singh et al. | Human pose estimation using convolutional neural networks | |
Ghaleb et al. | Skeleton-based explainable bodily expressed emotion recognition through graph convolutional networks | |
Gupta et al. | Occluded gait reconstruction in multi person gait environment using different numerical methods | |
CN109815923A (zh) | 基于lbp特征与深度学习的金针菇菇头分选识别方法 | |
CN113705445A (zh) | 一种基于事件相机的人体姿态识别的方法及设备 | |
Jarabese et al. | Sign to speech convolutional neural network-based filipino sign language hand gesture recognition system | |
Tang et al. | Automatic facial expression analysis of students in teaching environments | |
Sunney et al. | A real-time machine learning framework for smart home-based Yoga Teaching System | |
Shah et al. | Computer Vision & Deep Learning based realtime and pre-recorded human pose estimation | |
Al-Jubouri et al. | Generating 3D dataset of Gait and Full body movement of children with Autism spectrum disorders collected by Kinect v2 camera |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |