CN107644229A - 基于多传感器信息融合的室内异常行为检测方法 - Google Patents
基于多传感器信息融合的室内异常行为检测方法 Download PDFInfo
- Publication number
- CN107644229A CN107644229A CN201710768750.7A CN201710768750A CN107644229A CN 107644229 A CN107644229 A CN 107644229A CN 201710768750 A CN201710768750 A CN 201710768750A CN 107644229 A CN107644229 A CN 107644229A
- Authority
- CN
- China
- Prior art keywords
- human body
- image
- sensor
- acceleration
- 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
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于多传感器信息融合的室内异常行为检测方法,包括以下步骤:1)数据采集;2)传感器数据预处理,过程如下:(2.1)原始数据去噪;(2.2)滑动窗划分;(2.3)幅度计算;(2.4)姿态角的求解;3)基于加速度的异常行为检测,过程如下:(3.1)基于双阈值的摔倒检测算法;(3.2)基于多特征的运动检测算法;(3.3)基于姿态角的姿态检测算法。本发明提出一种抗干扰性较强、实时性较好的基于多传感信息融合的室内异常行为检测方法。
Description
技术领域
本发明属于异常行为检测技术,尤其涉及一种室内异常行为检测方法。
背景技术
传统的异常行为检测研究中,人体行为信号的采集多采用可穿戴式传感器或图像传感器。基于可穿戴传感器的行为检测是利用佩戴在人体特定部位的便携式传感器终端采集人体运动信息,再使用相关技术实现目标人体的行为识别,数据直观,但易受到动作幅度和传感器性能等因素影响。基于视觉图像的行为检测采用摄像设备收集场景中的图像或图像序列,再使用图像或视频处理相关技术实现目标人体的检测和行为识别,无需穿戴,但易受到动作幅度和传感器性能等因素影响。存在的技术缺陷为:抗干扰性较差、实时性较差。
发明内容
为了克服现有的室内异常行为检测方式的抗干扰性较差、实时性较差的不足,本发明在对已有行为识别中关键技术进行深入探讨的基础上,提出一种抗干扰性较强、实时性较好的基于多传感信息融合的室内异常行为检测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于多传感器信息融合的室内异常行为检测方法,包括以下步骤:
1)数据采集
数据采集模块负责利用多种传感器采集人体行为原始数据,多种传感器包括加速传感器和图像传感器;
2)传感器数据预处理
传感器数据的预处理是行为检测的准备阶段,过程如下:(2.1)原始数据去噪;(2.2)滑动窗划分;(2.3)幅度计算;(2.4)姿态角的求解;
3)基于加速度的异常行为检测,过程如下:
(3.1)基于双阈值的摔倒检测算法
采用上升阈值UFT和下降阈值LFT,分别为判断躯干是否发生摔倒状态的三轴加速度阈值M和当前行为之后的短暂时间内的躯干姿态,过程如下:
Step1:获取胸部及脚踝加速度数据,划分窗口并求幅度M;
Step2:检测窗口中M的峰值是否满足阈值摔倒条件,如果满足则继续进行Step3,进行第二阈值判断,否则依据数据处理链路进入下一识别阶段;
Step3:检测人体250ms后躯干的姿态,如果躯干为卧姿,则判断发生摔倒行为,如果躯干为立姿,则判断未发生摔倒行为,并依据数据处理链路进入下一识别阶段;
(3.2)基于多特征的运动检测算法
对于非静止行为,使用运动检测器模块检测人体的运动类型;检测的运动类型包括行走和跑步,针对这两种运动类型的检测通常采用检测步频的方法来区分;如果计算出的步频在正常识别区间,则输出判定结果;如果步频属模糊区间,则需要检测未滤波前合加速度幅度是否大于1.8g,如果是,则判定为跑步,否则判定为行走;
(3.3)基于姿态角的姿态检测算法
对于静止行为,使用姿态检测器模块识别人体的姿态,使用加速度坐标系的x轴与水平面的角度表示人体躯干的方向,因此通过计算x轴在空间坐标系中的角度即可确认人体上半身和下半身的姿态。
进一步,所述室内异常行为检测方法还包括以下步骤:
4)基于视觉图像的人体静止姿态检测
用于对基于加速度算法无法检测的行为进行补充检测,过程如下:
(4.1)人体图像分割,采用静态背景减除的方法进行人体图像的分割,依据背景模型和当前静态图像的对比,找到有差异的像素归类为前景图像,没有差异的像素归类为背景图像,从当前图像中减除背景图像即可得到将要被分割的前景图像;
(4.2)Canny边缘检测,采用文Canny边缘检测方法,对边缘点进行检查,以出待测试区域和背景区域的分割线;
(4.3)KNN姿态检测,针对人体图像分割的结果,使用人体图像的宽高比作为姿态识别的特征值,通过计算已分割图像中人体的宽度和高度进行站立和坐的区分。
再进一步,所述步骤1)中,加速度数据利用佩戴在人体胸部及脚踝的加速度传感器采集,通过无线传输方式发送到处理器;图像传感器部署在设定位置对空间范围内的人体行为数据进行采集,通过有线传输方式传送到处理器。
采用基于惯性传感器、电子罗盘和图像传感器的数据采集终端,采集终端由六轴微惯性感测单元MPU6050,三轴磁力计AK8975和CC2541蓝牙4.0微处理器组成,九轴数据通过无线蓝牙传输到数据处理端(PC机)。对于图像数据,由于本发明仅需要静态图像中人体姿态进行识别,所以只需要普通的成本较低的USB摄像头采集图像信息。然后通过Matlab的图像采集工具箱(MATLAB IMAGE Acquisition Toolbox)获取及保存图像。
所述步骤(2.1)中,传感器自身去噪是通过参数标定实现的,传感器的测量参数与输出值之间存在线性关系,即YADC=S*T+B。其中,YADC代表传感器原始的输出,S代表标定因子,即传感器灵敏度,可通过设置传感器改变灵敏度,T代表被测物理真实值,B代表零偏移量,参数标定的目标就是计算参数B,从而求出传感器的真实值。
所述步骤(2.2)中,将人体运动过程的连续过程通过滑动窗口分割为若干个小的时间片段,其中每一个时间片段就是一个滑动窗口。
所述步骤(2.3)中,合加速度幅度计算如公式M表示合加速度幅度值。
所述步骤(2.4)中,人体姿态角是指人体坐标系相对参考坐标系的空间转动,选取地理坐标系为参考坐标系,人体坐标系相对于地理坐标系在空间上的位置就是人体的姿态角。
本发明的技术构思为:该方法针对室内人体异常行为判断的应用场景。首先利用穿戴式传感器获得加速度数据,利用摄像头获得图像数据。然后对数据进行去噪、窗口划分等预处理。接着利用加速度的数据,进行异常检测、姿态检测以及运动检测。针对部分检测精度低或无法检测的行为,本发明使用视觉技术进行检测,处理过程包括基于背景去除法的人体图像分割、基于Canny算子的边缘检测及基于KNN的姿态检测。
本发明的有益效果主要表现在:1、针对人体日常运动复杂性,提出一种抗干扰的摔倒检测算法,排除跑步等剧烈活动干扰。2、针对日常行为的相似性,提出一种多特征检查测算法,对跑步和走路进行识别。2、对于无法识别的行为,采用视觉技术进行进一步识别。
附图说明
图1是行为异常检测***流程图。
图2是数据预处理流程图。
图3是姿态判别图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1~图3,一种基于多传感器信息融合的室内异常行为检测方法,包括以下步骤:
1)数据采集
数据采集模块负责利用多种传感器采集人体行为原始数据,多种传感器包括加速传感器和图像传感器;
加速度等数据利用佩戴在人体胸部及脚踝的可穿戴终端采集,通过无线传输方式发送到处理器。图像传感器部署在合适位置对空间范围内的人体行为数据进行采集,通过有线传输方式传送到处理器。
对于图像数据,由于本发明仅需要静态图像中人体姿态进行识别,所以只需要普通的成本较低的USB摄像头采集图像信息。然后通过Matlab的图像采集工具箱(MATLABIMAGE Acquisition Toolbox)获取及保存图像。
2)传感器数据预处理
传感器数据的预处理是行为检测的准备阶段,过程如下:
(2.1)原始数据去噪。由于数据噪声将会直接影响到行为的检测精度,所以需要对数据噪声来源进行分析,并且进行去噪声。传感器的测量参数与输出值之间存在线性关系,即YADC=S*T+B。其中,代表传感器原始的输出,S代表标定因子,即传感器灵敏度,可通过设置传感器改变灵敏度,T代表被测物理真实值,B代表零偏移量。参数标定的目标就是计算参数B,从而求出传感器的真实值。
(2.2)滑动窗划分。将人体运动过程的连续过程通过滑动窗口分割为若干个小的时间片段,其中每一个时间片段就是一个滑动窗口。
(2.3)幅度计算。合加速度幅度特性是本发明人体行为识别的一个重要特性。合加速度幅度计算如公式M表示合加速度幅度值。
(2.4)姿态角的求解。本发明中选取地理坐标系作为参考坐标系。由此可知,人体坐标系相对于地理坐标系在空间上的位置就是人体的姿态角。
3)基于加速度的异常行为检测
(3.1)基于双阈值的摔倒检测算法。本发明提出上升阈值(UFT)和下降阈值(LFT)。分别为判断躯干是否发生摔倒状态的三轴加速度阈值M和当前行为之后的短暂时间内的躯干姿态。算法的主要步骤如下:
Step1:获取胸部及脚踝加速度数据,划分窗口并求幅度M。
Step2:检测窗口中M的峰值是否满足阈值摔倒条件,如果满足则继续进行Step3,进行第二阈值判断,否则依据数据处理链路进入下一识别阶段。
Step3:检测人体250ms后躯干的姿态,如果躯干为卧姿,则判断发生摔倒行为,如果躯干为立姿,则判断未发生摔倒行为,并依据数据处理链路进入下一识别阶段。
(3.2)基于多特征的运动检测算法。对于非静止行为,使用运动检测器模块检测人体的运动类型。本发明检测的运动类型包括行走和跑步,针对这两种运动类型的检测通常采用检测步频的方法来区分。
(3.3)基于姿态角的姿态检测算法。对于静止行为,使用姿态检测器模块识别人体的姿态。
4)基于视觉图像的人体静止姿态检测。该方法的目的是用于对基于加速度算法无法检测的行为进行补充检测,目的是降低行为误判,提高***整体精度。具体步骤为:
(4.1)人体图像分割。本发明采用静态背景减除的方法进行人体图像的分割。依据背景模型和当前静态图像的对比,从当前图像中减除背景图像即可得到将要被分割的前景图像。
(4.2)Canny边缘检测。本发明采用文Canny边缘检测方法,对边缘点进行检查,以出待测试区域和背景区域的分割线。
(4.3)KNN姿态检测。针对本发明人体图像分割的结果,使用人体图像的宽高比作为姿态识别的特征值。通过计算已分割图像中人体的宽度和高度进行站立和坐的区分。
本实施例中,首先初始化***,清空上一次输出结果留在缓存区中的数据,然后开始导入数据,从数据集中导入的样本数据包括加速度数据data1和data2,分别表示人体上半身和下半身的加速度。另外,当识别人体站姿和坐姿时,需要导入摄像头采集的静态图像。数据导入并加载完毕后,如果需要对仿真***的参数进行设置,则点击setting按键进行重新设置,否则***自动读取默认参数。接下来开始人体行为的识别,识别结束后,如果不再处理数据,则导出仿真结果,并退出***。
Claims (7)
1.一种基于多传感器信息融合的室内异常行为检测方法,其特征在于,包括以下步骤:
1)数据采集
数据采集模块负责利用多种传感器采集人体行为原始数据,多种传感器包括加速传感器和图像传感器;
2)传感器数据预处理
传感器数据的预处理是行为检测的准备阶段,过程如下:(2.1)原始数据去噪;(2.2)滑动窗划分;(2.3)幅度计算;(2.4)姿态角的求解;
3)基于加速度的异常行为检测,过程如下:
(3.1)基于双阈值的摔倒检测算法
采用上升阈值UFT和下降阈值LFT,分别为判断躯干是否发生摔倒状态的三轴加速度阈值M和当前行为之后的短暂时间内的躯干姿态,过程如下:
Step1:获取胸部及脚踝加速度数据,划分窗口并求幅度M;
Step2:检测窗口中M的峰值是否满足阈值摔倒条件,如果满足则继续进行Step3,进行第二阈值判断,否则依据数据处理链路进入下一识别阶段;
Step3:检测人体250ms后躯干的姿态,如果躯干为卧姿,则判断发生摔倒行为,如果躯干为立姿,则判断未发生摔倒行为,并依据数据处理链路进入下一识别阶段;
(3.2)基于多特征的运动检测算法
对于非静止行为,使用运动检测器模块检测人体的运动类型;检测的运动类型包括行走和跑步,针对这两种运动类型的检测通常采用检测步频的方法来区分;如果计算出的步频在正常识别区间,则输出判定结果;如果步频属模糊区间,则需要检测未滤波前合加速度幅度是否大于1.8g,如果是,则判定为跑步,否则判定为行走;
(3.3)基于姿态角的姿态检测算法
对于静止行为,使用姿态检测器模块识别人体的姿态,使用加速度坐标系的x轴与水平面的角度表示人体躯干的方向,因此通过计算x轴在空间坐标系中的角度即可确认人体上半身和下半身的姿态。
4)基于视觉图像的人体静止姿态检测
用于对基于加速度算法无法检测的行为进行补充检测,过程如下:
(4.1)人体图像分割,采用静态背景减除的方法进行人体图像的分割,依据背景模型和当前静态图像的对比,找到有差异的像素归类为前景图像,没有差异的像素归类为背景图像,从当前图像中减除背景图像即可得到将要被分割的前景图像;
(4.2)Canny边缘检测,采用文Canny边缘检测方法,对边缘点进行检查,以出待测试区域和背景区域的分割线;
(4.3)KNN姿态检测,针对人体图像分割的结果,使用人体图像的宽高比作为姿态识别的特征值,通过计算已分割图像中人体的宽度和高度进行站立和坐的区分。
2.如权利要求1或2所述的一种基于多传感器信息融合的室内异常行为检测方法,其特征在于,所述步骤1)中,加速度数据利用佩戴在人体胸部及脚踝的加速度传感器采集,通过无线传输方式发送到处理器;图像传感器部署在设定位置对空间范围内的人体行为数据进行采集,通过有线传输方式传送到处理器。
3.如权利要求3所述的一种基于多传感器信息融合的室内异常行为检测方法,其特征在于,采用基于惯性传感器、电子罗盘和图像传感器的数据采集终端,采集终端由六轴微惯性感测单元MPU6050,三轴磁力计AK8975和CC2541蓝牙4.0微处理器组成,九轴数据通过无线蓝牙传输到数据处理端;通过USB摄像头采集图像信息,然后通过Matlab的图像采集工具箱获取及保存图像。
4.如权利要求1或2所述的一种基于多传感器信息融合的室内异常行为检测方法,其特征在于,所述步骤(2.1)中,传感器自身去噪是通过参数标定实现的,传感器的测量参数与输出值之间存在线性关系,即YADC=S*T+B,其中,YADC代表传感器原始的输出,S代表标定因子,即传感器灵敏度,可通过设置传感器改变灵敏度,T代表被测物理真实值,B代表零偏移量,参数标定的目标就是计算参数B,从而求出传感器的真实值。
5.如权利要求1或2所述的一种基于多传感器信息融合的室内异常行为检测方法,其特征在于,所述步骤(2.2)中,将人体运动过程的连续过程通过滑动窗口分割为若干个小的时间片段,其中每一个时间片段就是一个滑动窗口。
6.如权利要求1或2所述的一种基于多传感器信息融合的室内异常行为检测方法,其特征在于,所述步骤(2.3)中,合加速度幅度计算如公式M表示合加速度幅度值。
7.如权利要求1或2所述的一种基于多传感器信息融合的室内异常行为检测方法,其特征在于,所述步骤(2.4)中,人体姿态角是指人体坐标系相对参考坐标系的空间转动,选取地理坐标系为参考坐标系,人体坐标系相对于地理坐标系在空间上的位置就是人体的姿态角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710768750.7A CN107644229A (zh) | 2017-08-31 | 2017-08-31 | 基于多传感器信息融合的室内异常行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710768750.7A CN107644229A (zh) | 2017-08-31 | 2017-08-31 | 基于多传感器信息融合的室内异常行为检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107644229A true CN107644229A (zh) | 2018-01-30 |
Family
ID=61111302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710768750.7A Pending CN107644229A (zh) | 2017-08-31 | 2017-08-31 | 基于多传感器信息融合的室内异常行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107644229A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108495061A (zh) * | 2018-03-15 | 2018-09-04 | 深圳市瀚晖威视科技有限公司 | 视频报警***及利用该视频报警***进行报警的方法 |
CN109214318A (zh) * | 2018-08-22 | 2019-01-15 | 北京天泽智云科技有限公司 | 一种寻找非稳态时间序列微弱尖峰的方法 |
CN109492586A (zh) * | 2018-11-12 | 2019-03-19 | 长讯通信服务有限公司 | 一种基于人工智能和无人机的移动通信维护对象检测方法 |
CN109620184A (zh) * | 2019-01-29 | 2019-04-16 | 上海海事大学 | 手机-可穿戴设备一体式人体突发伤害实时监测报警方法 |
CN110458033A (zh) * | 2019-07-17 | 2019-11-15 | 哈尔滨工程大学 | 一种基于可穿戴位置传感器的人体行为序列识别方法 |
CN110514225A (zh) * | 2019-08-29 | 2019-11-29 | 中国矿业大学 | 一种矿井下多传感器融合的外部参数标定及精准定位方法 |
CN110575176A (zh) * | 2019-08-26 | 2019-12-17 | 南京理工大学 | 基于两层滑动窗口阈值的动作分割方法 |
CN110786869A (zh) * | 2019-10-29 | 2020-02-14 | 浙江工业大学 | 一种程序员的疲劳程度的检测方法 |
CN111753587A (zh) * | 2019-03-28 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 一种倒地检测方法及装置 |
CN112272763A (zh) * | 2018-06-14 | 2021-01-26 | 三菱电机株式会社 | 异常探测装置、异常探测方法以及异常探测程序 |
CN113137983A (zh) * | 2021-04-30 | 2021-07-20 | 深圳市恒星物联科技有限公司 | 一种自学习的井盖姿态监测方法及监测*** |
CN114783166A (zh) * | 2022-06-27 | 2022-07-22 | 航天亮丽电气有限责任公司 | 一种基于气体检测的作业人员行为动态感知*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103211599A (zh) * | 2013-05-13 | 2013-07-24 | 桂林电子科技大学 | 一种监测跌倒的方法及装置 |
US20130286197A1 (en) * | 2012-04-27 | 2013-10-31 | Hon Hai Precision Industry Co., Ltd. | Safety guard device and method for detecting falling object |
CN105786186A (zh) * | 2016-03-16 | 2016-07-20 | 中山大学 | 一种基于红外线热成像的智能报警*** |
-
2017
- 2017-08-31 CN CN201710768750.7A patent/CN107644229A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130286197A1 (en) * | 2012-04-27 | 2013-10-31 | Hon Hai Precision Industry Co., Ltd. | Safety guard device and method for detecting falling object |
CN103211599A (zh) * | 2013-05-13 | 2013-07-24 | 桂林电子科技大学 | 一种监测跌倒的方法及装置 |
CN105786186A (zh) * | 2016-03-16 | 2016-07-20 | 中山大学 | 一种基于红外线热成像的智能报警*** |
Non-Patent Citations (4)
Title |
---|
丁全心: "《中航工业首席专家技术丛书 机载瞄准显示***》", 30 November 2015, 航空工业出版社 * |
刘非非: "基于视频监控的室内跌倒行为的检测与识别研究", 《中国硕士学位论文全文数据库》 * |
艾诺等: "减少误报的双阈值摔倒检测算法", 《2012年第六届国际医学信息和通信技术研讨会》 * |
邓中亮: "《室内外无线定位与导航》", 31 December 2013, 北京邮电大学出版社 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108495061A (zh) * | 2018-03-15 | 2018-09-04 | 深圳市瀚晖威视科技有限公司 | 视频报警***及利用该视频报警***进行报警的方法 |
CN112272763A (zh) * | 2018-06-14 | 2021-01-26 | 三菱电机株式会社 | 异常探测装置、异常探测方法以及异常探测程序 |
CN109214318A (zh) * | 2018-08-22 | 2019-01-15 | 北京天泽智云科技有限公司 | 一种寻找非稳态时间序列微弱尖峰的方法 |
CN109214318B (zh) * | 2018-08-22 | 2021-10-22 | 北京天泽智云科技有限公司 | 一种寻找非稳态时间序列微弱尖峰的方法 |
CN109492586A (zh) * | 2018-11-12 | 2019-03-19 | 长讯通信服务有限公司 | 一种基于人工智能和无人机的移动通信维护对象检测方法 |
CN109492586B (zh) * | 2018-11-12 | 2021-08-17 | 长讯通信服务有限公司 | 一种基于人工智能和无人机的移动通信维护对象检测方法 |
CN109620184A (zh) * | 2019-01-29 | 2019-04-16 | 上海海事大学 | 手机-可穿戴设备一体式人体突发伤害实时监测报警方法 |
CN111753587A (zh) * | 2019-03-28 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 一种倒地检测方法及装置 |
CN111753587B (zh) * | 2019-03-28 | 2023-09-29 | 杭州海康威视数字技术股份有限公司 | 一种倒地检测方法及装置 |
CN110458033A (zh) * | 2019-07-17 | 2019-11-15 | 哈尔滨工程大学 | 一种基于可穿戴位置传感器的人体行为序列识别方法 |
CN110458033B (zh) * | 2019-07-17 | 2023-01-03 | 哈尔滨工程大学 | 一种基于可穿戴位置传感器的人体行为序列识别方法 |
CN110575176A (zh) * | 2019-08-26 | 2019-12-17 | 南京理工大学 | 基于两层滑动窗口阈值的动作分割方法 |
CN110575176B (zh) * | 2019-08-26 | 2024-03-26 | 南京理工大学 | 基于两层滑动窗口阈值的动作分割方法 |
CN110514225A (zh) * | 2019-08-29 | 2019-11-29 | 中国矿业大学 | 一种矿井下多传感器融合的外部参数标定及精准定位方法 |
CN110786869A (zh) * | 2019-10-29 | 2020-02-14 | 浙江工业大学 | 一种程序员的疲劳程度的检测方法 |
CN110786869B (zh) * | 2019-10-29 | 2021-12-21 | 浙江工业大学 | 一种程序员的疲劳程度的检测方法 |
CN113137983A (zh) * | 2021-04-30 | 2021-07-20 | 深圳市恒星物联科技有限公司 | 一种自学习的井盖姿态监测方法及监测*** |
CN113137983B (zh) * | 2021-04-30 | 2023-08-22 | 深圳市恒星物联科技有限公司 | 一种自学习的井盖姿态监测方法及监测*** |
CN114783166A (zh) * | 2022-06-27 | 2022-07-22 | 航天亮丽电气有限责任公司 | 一种基于气体检测的作业人员行为动态感知*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107644229A (zh) | 基于多传感器信息融合的室内异常行为检测方法 | |
CN104794463B (zh) | 基于Kinect实现室内人体跌倒检测的***及方法 | |
CN105310696B (zh) | 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置 | |
CN104296750B (zh) | 一种零速检测方法和装置以及行人导航方法和*** | |
CN106705968A (zh) | 基于姿态识别和步长模型的室内惯性导航算法 | |
CN106981174A (zh) | 一种基于智能手机的老人跌倒检测方法 | |
CN107578019B (zh) | 一种视觉触觉融合的步态识别***及识别方法 | |
CN109387203A (zh) | 活动状况分析装置、活动状况分析方法及记录介质 | |
CN106175778A (zh) | 一种建立步态数据集的方法及步态分析方法 | |
CN106503643B (zh) | 人体跌倒检测方法 | |
CN104244821A (zh) | 离床监测装置 | |
CN104864873B (zh) | 一种利用人体运动特征辅助地图定位的方法 | |
CN108898108B (zh) | 一种基于扫地机器人的用户异常行为监测***及方法 | |
CN107358248B (zh) | 一种提高跌倒检测***精度的方法 | |
CN113220119A (zh) | 一种惯性传感器运动捕捉装置 | |
CN106128121A (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN107662613B (zh) | 一种基于移动群智感知的极端驾驶行为识别方法及*** | |
CN110553643A (zh) | 一种基于神经网络的行人自适应零速更新点选取方法 | |
CN110633671A (zh) | 基于深度图像的公交车客流实时统计方法 | |
CN107277222A (zh) | 基于手机内置传感器的用户行为状态判断方法 | |
CN108334827A (zh) | 一种基于智能鞋的步态身份认证方法及智能鞋 | |
CN106461401A (zh) | 信息处理设备、信息处理方法和计算机程序 | |
CN113243907A (zh) | 一种用于跌倒检测的智能检测方法 | |
CN109381844A (zh) | 活动记录数据处理装置、活动记录数据处理方法及记录介质 | |
CN108520528A (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 |
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: 20180130 |
|
RJ01 | Rejection of invention patent application after publication |