CN109635617A - 动作状态的识别方法、装置和电子设备 - Google Patents
动作状态的识别方法、装置和电子设备 Download PDFInfo
- Publication number
- CN109635617A CN109635617A CN201710930749.XA CN201710930749A CN109635617A CN 109635617 A CN109635617 A CN 109635617A CN 201710930749 A CN201710930749 A CN 201710930749A CN 109635617 A CN109635617 A CN 109635617A
- Authority
- CN
- China
- Prior art keywords
- feature
- result
- identification
- recognition
- action state
- 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
- 230000009471 action Effects 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 230000033001 locomotion Effects 0.000 claims abstract description 50
- 238000000605 extraction Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 13
- 235000013399 edible fruits Nutrition 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 25
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 239000012141 concentrate Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种动作状态的识别方法、装置和电子设备,该装置包括:第一识别单元,其根据设置于被识别体的传感器输出的检测数据,识别所述被识别体处于运动状态还是静止状态;细分动作识别单元,其基于所述第一识别单元的识别结果,根据对所述传感器输出的检测数据的初步分类结果,以及用于描述所述初步分类结果的依据的分类参数,和/或当前时刻之前的预定时刻所述第一识别单元的识别结果,识别出被识别体的动作状态。根据本实施例,能够提高动作状态识别的准确性。
Description
技术领域
本申请涉及信息技术领域,尤其涉及一种被识别体动作状态的识别方法、装置和电子设备。
背景技术
随着科技的发展和社会生活水平的提高,动作状态的识别被广泛应用于健康监护、运动评估等领域,成为一个新兴的研究领域。
目前基于图片和视频进行动作状态识别的技术较为普遍和成熟。但是该类方法受外部环境(如光照、背景等)影响比较大,而且监控设备的部署收到较大限制,容易侵犯到使用者的隐私。
随着传感器技术的发展,基于传感器的动作状态识别方法得到了越来越多的关注与研究。相较于基于图像和视频进行动作状态识别的方法,基于传感器的动作状态识别方法成本低、功耗低、不受时间和空间的限制与影响。
根据传感器被佩戴的位置的数量,基于传感器的动作状态识别***可以分为两类:多节点识别***和单节点识别***,其中,在多节点识别***中,传感器被佩戴于被识别体的多个位置,在单节点识别***中,传感器被佩戴于被识别体的单个位置。
多节点识别***在一定程度上能够提高识别精度,但会造成用户的不便,降低舒适度,因此单节点识别***更加实用。
应该注意,上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
本申请的发明人发现,在现有的单节点识别***中,由于传感器仅被设置于被识别体的一个位置,因而传感器所能获得的运动信息有限,导致单节点识别***对于动作状态的识别准确性较低。
本申请的实施例提供一种动作状态的识别装置、方法和电子设备,能够在针对传感器的检测数据进行初步分类的基础上,进一步结合多种因素进行动作状态的识别,由此,能够提高动作状态识别的准确性。
根据本申请实施例的第一方面,提供一种动作状态的识别装置,用于识别被识别体的动作状态,该装置包括:
第一识别单元,其根据设置于被识别体的传感器输出的检测数据,识别所述被识别体处于运动状态还是静止状态;
细分动作识别单元,其基于所述第一识别单元的识别结果,根据对所述传感器输出的检测数据的初步分类结果,以及用于描述所述初步分类结果的依据的分类参数,和/或当前时刻之前的预定时刻所述第一识别单元的识别结果,识别出被识别体的动作状态。
根据本申请实施例的第二方面,提供一种电子设备,包括上述第一方面所述的动作状态的识别装置。
根据本申请实施例的第三方面,提供一种动作状态的识别方法,用于识别被识别体的动作状态,该方法包括:
根据设置于被识别体的传感器输出的检测数据,识别所述被识别体处于运动状态还是静止状态;
基于所述识别的识别结果,根据对所述传感器输出的检测数据的初步分类结果,以及用于描述所述初步分类结果的依据的分类参数,和/或当前时刻之前的预定时刻所述第一识别单元的识别结果,识别出被识别体的动作状态。
本申请的有益效果在于:能够在针对传感器的检测数据进行初步分类的基础上,进一步结合多种因素进行动作状态的识别,由此,能够提高动作状态识别的准确性。
参照后文的说明和附图,详细公开了本发明的特定实施方式,指明了本发明的原理可以被采用的方式。应该理解,本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内,本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解,其构成了说明书的一部分,用于例示本发明的实施方式,并与文字描述一起来阐释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本申请实施例1的动作状态的识别装置的一个示意图;
图2是本申请实施例1的第一综合判断单元的一个示意图;
图3是利用本申请实施例1的识别装置进行动作状态识别的一个示意图;
图4是利用本申请实施例1的识别装置进行动作状态识别的另一个示意图;
图5是本申请实施例2的电子设备的一个构成示意图;
图6是本申请实施例3的识别方法的一个示意图;
图7是本申请实施例3的步骤602的一个示意图;
图8是本申请实施例3的第二识别的一个示意图;
图9是本申请实施例3的步骤803的一个示意图;
图10是本申请实施例3的第三识别的一个示意图。
具体实施方式
参照附图,通过下面的说明书,本发明的前述以及其它特征将变得明显。在说明书和附图中,具体公开了本发明的特定实施方式,其表明了其中可以采用本发明的原则的部分实施方式,应了解的是,本发明不限于所描述的实施方式,相反,本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。
实施例1
本申请实施例1提供一种动作状态的识别装置,用于识别被识别体的动作状态。
图1是实施例1的动作状态的识别装置的一个示意图,如图1所示,识别装置1可以包括:第一识别单元11、以及细分动作识别单元12。
在本实施例中,第一识别单元11可以根据设置于被识别体的传感器输出的检测数据,识别被识别体处于运动状态还是静止状态;细分动作识别单元12可以基于第一识别单元11的识别结果,根据对传感器输出的检测数据的初步分类结果,以及用于描述该初步分类结果的依据的分类参数,和/或当前时刻之前的预定时刻该第一识别单元11的识别结果,识别出被识别体的动作状态。
通过本实施例,能够在针对传感器的检测数据进行初步分类的基础上,进一步结合其它因素进行动作状态的识别,由此,与仅根据分类结果进行动作状态识别的方案相比,本实施例的方案能够提高动作状态识别的准确性。
在本实施例中,被识别体可以是人、动物、机械设备或其它的可动体。在本实施例的下述说明中,以被识别体是人为例进行说明,但是,本实施例可以不限于此。
在本实施例中,动作状态可以分为运动状态和静止状态两大类,其中,被识别体是人的情况下,运动状态可以包括例如下楼、上楼、摔倒、跑、走等动作状态,静止状态例如可以包括躺、坐、站等动作状态。此外,本实施例的动作状态可以不限于上述所列举的状态。另外,当被识别体是其它可动体时,该动作状态也可以包括其它状态。
在本实施例中,该传感器例如可以包括加速度计、陀螺仪和气压计中的至少一者,此外,本实施例可以不限于此,该传感器还可以是其它类型的传感器。
在本实施例中,传感器可以被设置于被识别体,从而检测该被识别体的运动信息。传感器的数量可以是1个或2个以上,并且,该2个以上的传感器可以被设置于被识别体的单一位置,该单一位置例如可以是作为被识别体的人的上躯干等。也就是说,本实施例的动作状态的识别装置能够被用于单节点识别***。此外,本实施例也可以不限于此,传感器也可以被设置在被识别体的多个位置,由此,本实施例的识别装置也可以被用于单节点识别***。
在本实施例中,针对各传感器输出的检测数据,可以通过滑动窗技术,获取包含当前时刻的时间窗口内的检测数据,并且,该识别装置1可以根据该时间窗口内的检测数据,识别被识别体的动作状态。
在本实施例中,第一识别单元11可以识别被识别体处于运动状态还是静止状态,细分动作识别单元12可以在第一识别单元11的识别结果的基础上,进一步识别该被识别体的动作状态是运动状态中的哪一个,或静止状态中的哪一个。由此,通过第一识别单元11和细分动作识别单元12,可以进行两级识别,从而减少计算量,并提高动作状态识别的准确性。
如图1所示,第一识别单元11可以包括:第一特征提取单元111和第一分类单元112。
在本实施例中,第一特征提取单元111可以根据检测数据提取第一特征集;第一分类单元112可以基于该第一特征集进行分类,以识别该被识别体处于运动状态还是静止状态。
在本实施例中,第一特征提取单元111所提取出的该第一特征集中的特征可以是表征被识别体运动能量大小和/或运动变化剧烈程度的特征,例如:该特征可以是时域上的特征,可以包括加速度信号的标准差、方差、信号幅值面积、以及全距等特征中的至少一个;该特征可以是频域上的特征,例如,快速傅里叶变换(FFT)系数平方和均值,FFT系数等。
在本实施例中,第一分类单元112可以根据第一特征集中的特征进行二分类,根据该二分类的结果识别该被识别体处于运动状态还是静止状态,该第一分类单元112的识别结果可以被表示为标签predict_label(i),其中,i表示当前时刻为第i时刻。
在本实施例中,第一分类单元112可以采用二分类的支持向量机(SVM),或者使用阈值法,进行该二分类。此外,本实施例可以不限于此,也可以采用其它的方法进行该二分类。
在本实施例中,细分动作识别单元12可以在第一识别单元11的识别结果的基础上,进一步进行动作状态的识别。如图1所示,细分动作识别单元12可以包括:第二识别单元121,和/或第三识别单元122。
在本实施例中,第二识别单元121可以在第一识别单元11的识别结果为运动状态时,根据对传感器输出的检测数据的第一初步分类结果,以及用于描述该初步分类结果的依据的分类参数,识别该被识别体的动作状态。
如图1所示,第二识别单元121可以包括:第二特征提取单元1211,第二分类单元1212,以及第一综合判断单元1213。
在本实施例中,第二特征提取单元1211可以根据检测数据提取第二特征集;第二分类单元1212可以基于第二特征集进行第一初步分类,获得第一初步分类结果,以及用于描述该第一初步分类结果的依据的分类参数;第一综合判断单元1213可以根据该第一初步分类结果和该分类参数,识别被识别体的动作状态。
在本实施例中,第二特征提取单元1211所提取的第二特征集中的特征可以是常用的用于识别运动的动作状态的特征,例如,加速度的幅值、和/或速度的幅值等。
在本实施例中,第二分类单元1212可以使用分类器,对第二特征集中的特征进行分类,从而获得分类结果和分类参数,该第二分类单元1212进行的分类被称为第一初步分类。其中,该分类器例如可以是随机森林分类器或神经网络分类器等,但本实施例可以不限于此;该初步分类结果可以表示相应的动作状态,例如,该初步分类结果可以表示被识别体的动作状态为下楼、上楼、摔倒、跑和走中的一个或几个;该分类参数可以用于描述该初步分类结果的依据,也就是说,分类器的分类过程中,可以获得与分类的各类别对应的分类参数,并且,根据该分类参数选择将各类别中的某一个或几个类别作为分类结果进行输出,其中,该分类参数可以是投票数、概率或权重的形式。
下面,以一个例子来说明分类结果和分类参数的关系。
例如,第二分类单元1212使用的分类器为随机森林分类器,该随机森林分类器对输入的第二特征集中的特征进行分类,并生成与分类器的各类别对应的投票数,如下表1所示,各类别(下楼、上楼、摔倒、跑和走)对应的投票数可以分别是V1、V2、V3、V4和V5;该随机森林分类器根据各类别的投票数,选择的一个或几个类别作为分类结果进行输出,例如,“跑”的投票数V4大于其他几个投票数,该随机森林分类器可以选择该投票数最高的类别“跑”作为分类结果进行输出,即,随机森林分类器的分类结果表示被识别体的动作状态为“跑”。其中,该随机森林分类器的分类结果以该投票数作为依据,因此,该投票数就是本实施例所述的用于描述该分类结果的依据的分类参数。
表1:
类别 | 下楼 | 上楼 | 摔倒 | 跑 | 走 |
投票数 | V1 | V2 | V3 | V4 | V5 |
在本实施例中,第二分类单元1212使用的分类器中还可以涉及到其它类型的参数,例如,为了使分类器能正常工作而输入到分类器的预设参数,或者分类器在分类过程中生成或更新的其它参数等,这些参数并不是分类器生成分类结果的依据,因而不同于本实施例所述的用于描述该分类结果的依据的分类参数。
在本实施例中,第一综合判断单元1213可以根据第二分类单元1212获得的该第一初步分类结果和该分类参数,识别被识别体的动作状态。
图2是第一综合判断单元1213的一个示意图,如图2所示,第一综合判断单元1213可以包括:第一判断单元2001和第四识别单元2002。
在本实施例中,第一判断单元2001可以判断该初步分类参数和该第一初步分类结果是否满足预定条件;在第一判断单元2001的判断结果为满足预定条件的情况下,第四识别单元2002根据该第一初步分类结果,识别被识别体的动作状态,例如,可以将根据该检测数据提取的第四特征作为识别条件,对被识别体的动作状态进行识别,该第四特征可以不同于该第一特征集中的特征和该第二特征集中的特征;在第一判断单元2001的判断结果为不满足该预定条件的情况下,第四识别单元2002可以将第二分类单元1212获得的该第一初步分类结果作为被识别体的动作状态。
根据本实施例,第二识别单元121在进行识别时以分类器的分类参数作为参考,因此,能够减少错误识别,提高识别的准确性。
在本实施例中,如图1所示,第三识别单元122可以用于在第一识别单元11的识别结果为静止状态时,根据对传感器输出的检测数据的第二初步分类结果,以及当前时刻之前的预定时刻第一识别单元11的识别结果,识别被识别体的动作状态。
如图1所示,第三识别单元122可以包括:第三特征提取单元1221,第三分类单元1222,以及第二综合判断单元1223。
在本实施例中,第三特征提取单元1221可以根据检测数据提取第三特征集,该第三特征集中的特征可以是用于表征传感器轴向的特征,例如,加速度水平分量和/或垂直分量,陀螺仪输出数据等。
在本实施例中,第三分类单元1222可以基于第三特征提取单元1221提取的该第三特征集进行第二初步分类,得到第二初步分类结果。其中,第三分类单元1222可以进行二分类,其中,该二分类可以采用二分类器进行,二分类器例如可以是支持向量机(SVM)或其他分类器;此外,第三分类单元1222也可以采用阈值法来进行该二分类。该第二初步分类结果可以表示相应的属于静止状态的动作状态,例如,该第二初步分类结果可以表示被识别体的动作状态为躺、坐和站中的一个或几个。
在本实施例中,第二综合判断单元1223可以在当前时刻之前的预定时刻第一识别单元11的识别结果为静止状态时,将当前时刻之前的预定时刻第三识别单元122的识别结果作为当前时刻被识别体的动作状态;在当前时刻之前的所述预定时刻第一识别单元11的识别结果为运动状态的情况下,根据第三分类单元1222的第二初步分类结果和根据该检测数据提取的第五特征,识别被识别体的动作状态,其中,该第五特征不同于该第一特征集中的特征和该第三特征集中的特征。
根据本实施例,第三识别单元122在进行识别时以当前时刻之前的分类结果以及第五特征作为参考,因此,能够减少错误识别,提高识别的准确性。
在本实施例中,第一初步分类结果和第二初步分类结果可以统称为细分动作识别单元12中的初步分类结果。根据本实施例的动作状态的识别装置,能够在针对传感器的检测数据进行分类的基础上,进一步结合多种因素进行动作状态的识别,由此,能够提高动作状态识别的准确性。
下面,结合具体实例,说明本实施例的动作状态的识别装置1进行动作状态识别的方法,在下面的具体实例中,被识别体是人,传感器被设置于人的上躯干的单一位置,动作状态可以分为运动状态和静止状态两大类,其中,运动状态可以包括例如下楼、上楼、摔倒、跑、走等,静止状态例如可以包括躺、坐、站等。
图3是本实施例的动作状态的识别装置1进行动作状态识别的方法的一个示意图。如图3所示,该方法包括如下步骤:
步骤301、数据获取、预处理、以及初始化。
在步骤301中,可以利用滑动窗来截取传感器的检测数据(例如,加速度计、陀螺仪、压力传感器的检测数据),将截取的数据作为包含当前时刻i的窗口(例如,窗口i)的检测数据,对截取的数据进行去噪,去噪例如采用滑动平均方法等。
在本实施例中,第一识别单元的识别结果可以被表示为分类标签predict_label,其中,predict_label=1表示第一识别单元的识别结果是运动状态,predict_label=2表示第一识别单元的识别结果是静止状态。
在步骤301中,可以对分类标签predict_label进行初始化,以生成predict_label(0),该初始化例如可以采用多种方式,例如:由使用者输入识别装置1启动时的与当前动作类型对应的分类标签数值;或者,识别装置1设置predict_label(0)=1。
步骤302、提取第一特征集。
在步骤302中,可以根据从步骤301获取并预处理的检测数据提取第一特征集,该第一特征集可以包括如下特征:加速度计数据的标准差,FFT系数平方和,以及FFT系数均值。
步骤303、基于第一特征集进行分类。
例如,第一分类单元根据第一特征集中的特征,使用支持向量机(SVM)或阈值法进行动静分类,分类结果可以被表示为当前时刻i对应的分类标签predict_label(i)。
步骤304、提取第二特征集。
在本实施例中,当predict_label(i)=1时,流程进行到步骤304。
在步骤304中,第二特征提取单元可以根据从步骤301获取并预处理的检测数据提取第二特征集,该第二特征集例如可以包括如下的特征中的部分或全部:加速度计水平分量标准差和均值,加速度计三轴间的相关系数,加速度计输出的峰度、偏度和信号幅值面积,加速度模值过均值次数,加速度计输出,加速度模值和陀螺输出的标准差、平均值、均值、最大值、最小值、最大值与最小值的差、四分位距、FFT直流分量、FFT最大系数、FFT系数平方和均值,陀螺输出的积分角度,水平分量积分角度之和,气压计标准差,前后相邻两个时间窗口气压均值的差值等。
步骤305、根据第二特征集进行第一初步分类。
在步骤305中,第二分类单元根据第二特征集,使用随机森林分类器进行第一初步分类,得到第一初步分类结果和作为分类参数的投票数。
步骤306、判断投票数和第一初步分类结果是否满足预定条件。
在步骤306中,该预定条件例如可以是“投票数最大的前三个值对应的类别是否为上楼、下楼和走”,即,当投票数与类别符合表2所列的6种情况之一时,第一判断单元可以判断为投票数和分类结果满足预定条件。
表2
此外,上述预定条件仅是举例,本实施例可以不限于此,预定条件也可以是其它的条件。
当第一判断单元判断为投票数和分类结果不满足该预定条件时,在步骤307a,第四识别单元可以将步骤305的初步分类结果作为第二识别单元的识别结果dynamic_label(i);在步骤307b,将该识别结果dynamic_label(i)作为识别装置1的识别结果Label(i);在步骤307中,输出识别装置1的识别结果label(i)。
当第一判断单元判断为投票数和分类结果满足该预定条件时,进行到步骤308。
步骤308、判断第四特征是否满足预定条件。
在步骤308中,第四特征可以不同于步骤303的第一特征集中的特征和步骤305的第二特征集中的特征,例如,第四特征可以是滑动窗口之间的平均气压差值,例如,第四特征delta_pre(i+m)可以被表示为式(1):
delta_pre(i+m)=pre_mean(i+m)-pre_mean(i) (1)
其中,m∈[3,4,5],delta_pre(i+m)表示时刻i+m对应的滑动窗口中的气压值的均值与时刻i对应的滑动窗口中的气压值的均值的差值,pre_mean(i)表示时刻i对应的滑动窗口的气压值的均值,pre_mean(i+m)表示时刻i+m对应的滑动窗口的气压值的均值。
步骤308的预定条件可以是,delta_pre(i+m)的绝对值是否小于阈值θ1。
如果步骤308的判断结果为是(即,满足该预定条件),进行到步骤309,在步骤309中,第四识别单元将步骤305的初步分类结果设定为“走”,并将该设定后的分类结果作为第二识别单元的识别结果dynamic_label(i),即dynamic_label(i)=走;并且,该识别结果dynamic_label(i)作为识别装置1的识别结果Label(i),如步骤307所示。
如果步骤308的判断结果为否(即,不满足该预定条件),第四识别单元可以将步骤305的初步分类结果作为第二识别单元的识别结果dynamic_label(i);并且,在步骤307b,将该识别结果dynamic_label(i)作为识别装置1的识别结果Label(i);在步骤307中,输出识别装置1的识别结果label(i)。
步骤310、判断当前时刻前的预定时刻第一识别单元的识别结果是否为静止。
在本实施例中,当predict_label(i)=2时,流程进行到步骤310。
在步骤310中,当前时刻前的预定时刻可以是i-n时刻,其中,n为大于或等于1的自然数,例如,该预定时刻可以是i-1时刻,即,判断predict_label(i-1)是否为2。
在本实施例的步骤310中,在判断为是的情况下,在步骤311a中,第二综合判断单元可以将第三识别单元在该预定时刻的识别结果static_label(i-1)作为第三识别单元当前时刻的识别结果static_label(i),即,static_label(i)=static_label(i-1);并且,在步骤307c中,将第三识别单元当前时刻的识别结果static_label(i)作为识别装置1当前时刻的识别结果Label(i)。
在本实施例的步骤310中,在判断为否的情况下,可以进行到步骤311。
步骤311、提取第三特征集。
在步骤311中,第三特征提取单元可以根据从步骤301获取并预处理的检测数据提取第三特征集,该第三特征集中的特征例如可以是加速度计水平分量。
步骤312、根据第三特征集进行初步分类。
在步骤312,第三分类单元可以根据第三特征集进行初步分类,使用支持向量机SVM或者阈值法进行二分类,分为两大类:{躺}和{坐、站}。
在步骤312的分类结果为躺时(如图步骤313所示),可以将该分类结果作为第三识别单元当前时刻的识别结果static_label(i),即,static_label(i)=躺;并且,在步骤307c中,将第三识别单元当前时刻的识别结果static_label(i)作为识别装置1当前时刻的识别结果Label(i)。
在步骤312的分类结果为{坐、站}时,可以进行到步骤315,结合第五特征进行识别。
步骤315、判断第五特征是否满足预定条件。
在步骤315中,第五特征可以不同于步骤303的第一特征集中的特征和步骤312的第三特征集中的特征,例如,第五特征可以是滑动窗口之间的平均气压差值,例如,第五特征可以被表示为式(2):
delta_pre(i)=pre_mean(i)-pre_mean(i-m) (2)
其中,m∈[3,4,5],delta_pre(i)表示时刻i对应的滑动窗口中的气压值的均值与时刻i-m对应的滑动窗口中的气压值的均值的差值,pre_mean(i)表示时刻i对应的滑动窗口的气压值的均值,pre_mean(i-m)表示时刻i-m对应的滑动窗口的气压值的均值。
步骤315的预定条件可以是,delta_pre(i)的是否大于阈值θ2。
如果步骤315的判断结果为是(即,满足该预定条件),进行到步骤316,在步骤316中,第二综合判断单元将步骤312的初步分类结果设定为“坐”,并将该设定后的分类结果作为第三识别单元的识别结果static_label(i),即,static_label(i)=坐;并且,该识别结果static_label(i)作为识别装置1的识别结果Label(i),如步骤307c所示。
如果步骤315的判断结果为否(即,不满足该预定条件),进行到步骤317,在步骤317中,第二综合判断单元将步骤312的初步分类结果设定为“站”,并将该设定后的分类结果作为第三识别单元的识别结果static_label(i),即,static_label(i)=站;并且,该识别结果static_label(i)作为识别装置1的识别结果Label(i),如步骤307c所示。
在本实施例中,步骤307输出识别装置1的识别结果Label(i)。
在本实施例中,图3仅是一个示例,用以说明识别装置1进行动作状态识别的方法流程,本实施例可以不限于此。
图4是本实施例的识别装置1进行动作状态识别的方法的另一个示意图,如图4所示,图4与图3的区别在于,图4使用步骤310a代替了图3的步骤310。
在图4中,步骤310a被设置在步骤314之后,在步骤310a中,在判断为当前时刻之前的预定时刻第一识别单元识别为静止的请况下,第二综合判断单元可以将第三识别单元在该预定时刻的识别结果static_label(i-1)作为第三识别单元当前时刻的识别结果static_label(i),即,static_label(i)=static_label(i-1),并在步骤307c将第三识别单元当前时刻的识别结果static_label(i)作为识别装置1的识别结果Label(i),并且,在步骤307中,输出识别装置1当前时刻的识别结果Label(i)。
实施例2
本申请实施例2提供一种电子设备,所述电子设备包括:如实施例1所述的动作状态的识别装置。
图5是本申请实施例2的电子设备的一个构成示意图。如图所示,电子设备500可以包括:中央处理器(CPU)501和存储器502;存储器502耦合到中央处理器501。其中该存储器502可存储各种数据;此外还存储用于进行识别的程序,并且在中央处理器501的控制下执行该程序。
在一个实施方式中,识别装置中的功能可以被集成到中央处理器801中。
其中,中央处理器501可以被配置为:
根据设置于被识别体的传感器输出的检测数据,进行第一识别,以识别出所述被识别体处于运动状态还是静止状态;
基于所述第一识别的识别结果,根据对所述传感器输出的检测数据的初步分类结果,以及用于描述所述初步分类结果的依据的分类参数,和/或当前时刻之前的预定时刻所述第一识别的识别结果,识别出被识别体的动作状态。
其中,中央处理器501还可以被配置为:根据所述检测数据提取第一特征集,所述第一特征集中的特征是表征运动能量大小和/或运动变化剧烈程度的特征;
基于所述第一特征集进行分类,识别所述被识别体处于运动状态还是静止状态。
其中,中央处理器501还可以被配置为:在所述第一识别的识别结果为运动状态时,根据对所述传感器输出的检测数据的第一初步分类结果,以及用于描述所述第一初步分类结果的依据的分类参数,进行第二识别,以识别出所述被识别体的动作状态;和/或
在所述识别结果为静止状态时,根据对所述传感器输出的检测数据的第二初步分类结果,以及当前时刻之前的预定时刻所述第一识别的识别结果,进行第三识别,以识别出所述被识别体的动作状态。
其中,中央处理器501还可以被配置为:根据所述检测数据提取第二特征集,所述第二特征集中的特征是用于识别运动的动作状态的特征;
基于所述第二特征集进行所述第一初步分类,获得所述第一初步分类结果,以及用于描述所述第一初步分类结果的依据的分类参数;
根据所述第一初步分类结果和所述分类参数,识别所述被识别体的动作状态。
其中,中央处理器501还可以被配置为:判断所述第一初步分类参数和所述初步分类结果是否满足预定条件;
在判断结果为满足所述预定条件的情况下,根据所述第一初步分类结果以及根据所述检测数据提取的第四特征,识别所述被识别体的动作状态,其中,所述第四特征不同于所述第一特征集中的特征和所述第二特征集中的特征,在判断结果为不满足所述预定条件的情况下,将所述第一初步分类结果作为所述被识别体的动作状态。
其中,中央处理器501还可以被配置为:根据所述检测数据提取第三特征集,所述第三特征集中的特征是用于表征传感器轴向的特征;
基于所述第三特征集进行所述第二初步分类,得到所述第二初步分类结果;
在所述当前时刻之前的所述预定时刻所述第一识别的识别结果为运动状态的情况下,根据所述第二初步分类结果和根据所述检测数据提取的第五特征,识别所述被识别体的动作状态,其中,所述第五特征不同于所述第一特征集中的特征和所述第三特征集中的特征。
其中,中央处理器501还可以被配置为:在所述当前时刻之前的所述预定时刻所述第一识别的识别结果为静止状态时,将在当前时刻之前的预定时刻所述第三识别的识别结果作为在当前时刻所述被识别体的动作状态。此外,如图5所示,电子设备500还可以包括:输入输出单元503和显示单元504等;其中,上述部件的功能与现有技术类似,此处不再赘述。值得注意的是,电子设备500也并不是必须要包括图5中所示的所有部件;此外,电子设备500还可以包括图5中没有示出的部件,可以参考现有技术。
实施例3
本申请实施例3提供一种动作状态的识别方法,与实施例1的识别装置1相对应。
图6是本实施例的识别方法的一个示意图,如图6所示,该识别方法包括:
步骤601、根据设置于被识别体的传感器输出的检测数据,进行第一识别,以识别出所述被识别体处于运动状态还是静止状态;
步骤602、基于所述第一识别的识别结果,根据对所述传感器输出的检测数据的初步分类结果,以及用于描述所述初步分类结果的依据的分类参数,和/或当前时刻之前的预定时刻所述第一识别的识别结果,识别出被识别体的动作状态。
图7是步骤602的一个示意图,如图7所示,步骤602包括:
步骤701、在所述第一识别的识别结果为运动状态时,根据对所述传感器输出的检测数据的第一初步分类结果,以及用于描述所述第一初步分类结果的依据的分类参数,进行第二识别,以识别出所述被识别体的动作状态;和/或
步骤702、在所述第一识别的识别结果为静止状态时,根据对所述传感器输出的检测数据的第二初步分类结果,以及当前时刻之前的预定时刻所述第一识别的识别结果,进行第三识别,以识别出所述被识别体的动作状态。
图8是第二识别的一个示意图,如图8所示,第二识别包括:
步骤801、根据所述检测数据提取第二特征集,所述第二特征集中的特征是用于识别运动的动作状态的特征;
步骤802、基于所述第二特征集进行所述第一初步分类,获得所述第一初步分类结果,以及用于描述所述第一初步分类结果的依据的分类参数;
步骤803、根据所述第一初步分类结果和所述分类参数,识别所述被识别体的动作状态。
图9是步骤803的一个示意图,如图9所示,步骤803包括:
步骤901、判断所述第一初步分类参数和所述初步分类结果是否满足预定条件;
步骤902、在判断结果为满足所述预定条件的情况下,根据所述第一初步分类结果以及根据所述检测数据提取的第四特征,识别所述被识别体的动作状态,其中,所述第四特征不同于所述第一特征集中的特征和所述第二特征集中的特征。
此外,在本实施例中,在步骤901的判断结果为不满足所述预定条件的情况下,将第一初步分类结果作为被识别体的动作状态。
图10是第三识别的一个示意图,如图10所示,第三识别包括:
步骤1001、根据所述检测数据提取第三特征集,所述第三特征集中的特征是用于表征传感器轴向的特征;
步骤1002、基于所述第三特征集进行所述第二初步分类,得到所述第二初步分类结果;
步骤1003、在所述当前时刻之前的所述预定时刻所述第一识别的识别结果为运动状态的情况下,根据所述第二初步分类结果和根据所述检测数据提取的第五特征,识别所述被识别体的动作状态,其中,所述第五特征不同于所述第一特征集中的特征和所述第三特征集中的特征。
此外,在本实施例中,在当前时刻之前的预定时刻该第一识别的识别结果为静止状态时,将在当前时刻之前的预定时刻所述第三识别的识别结果作为在当前时刻所述被识别体的动作状态。
根据本实施例的动作状态的识别装置,能够在针对传感器的检测数据进行分类的基础上,进一步结合多种因素进行动作状态的识别,由此,能够提高动作状态识别的准确性。
本申请实施例还提供一种计算机可读程序,其中当在识别装置或电子设备中执行所述程序时,所述程序使得所述识别装置或电子设备执行实施例3所述的识别方法。
本申请实施例还提供一种存储有计算机可读程序的存储介质,其中,所述存储介质存储上述计算机可读程序,所述计算机可读程序使得识别装置或电子设备执行实施例3所述的识别方法。
结合本发明实施例描述的识别装置可直接体现为硬件、由处理器执行的软件模块或二者组合。例如,图1、2中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合,既可以对应于计算机程序流程的各个软件模块,亦可以对应于各个硬件模块。这些软件模块,可以分别对应于实施例2所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息;或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在移动终端的存储器中,也可以存储在可***移动终端的存储卡中。例如,若电子设备采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置,则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。
针对图1、2描述的功能框图中的一个或多个和/或功能框图的一个或多个组合,可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件、或者其任意适当组合。针对图1、2描述的功能框图中的一个或多个和/或功能框图的一个或多个组合,还可以实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
以上结合具体的实施方式对本申请进行了描述,但本领域技术人员应该清楚,这些描述都是示例性的,并不是对本申请保护范围的限制。本领域技术人员可以根据本申请的原理对本申请做出各种变型和修改,这些变型和修改也在本申请的范围内。
关于包括以上实施例的实施方式,还公开下述的附记:
1、一种动作状态的识别装置,用于识别被识别体的动作状态,该装置包括:
第一识别单元,其根据设置于被识别体的传感器输出的检测数据,识别所述被识别体处于运动状态还是静止状态;
细分动作识别单元,其基于所述第一识别单元的识别结果,根据对所述传感器输出的检测数据的初步分类结果,以及用于描述所述初步分类结果的依据的分类参数,和/或当前时刻之前的预定时刻所述第一识别单元的识别结果,识别出被识别体的动作状态。
2、如附记1所述的装置,其中,所述第一识别单元包括:
第一特征提取单元,其根据所述检测数据提取第一特征集,所述第一特征集中的特征是表征运动能量大小和/或运动变化剧烈程度的特征;
第一分类单元,其基于所述第一特征集进行分类,识别所述被识别体处于运动状态还是静止状态。
3、如附记1所述的装置,其中,所述细分动作识别单元包括:
第二识别单元,其用于在所述第一识别单元的识别结果为运动状态时,根据对所述传感器输出的检测数据的第一初步分类结果,以及用于描述所述第一初步分类结果的依据的分类参数,识别所述被识别体的动作状态;和/或
第三识别单元,其用于在所述第一识别单元的识别结果为静止状态时,根据对所述传感器输出的检测数据的第二初步分类结果,以及当前时刻之前的预定时刻所述第一识别单元的识别结果,识别所述被识别体的动作状态。
4、如附记3所述的装置,其中,所述第二识别单元包括:
第二特征提取单元,其根据所述检测数据提取第二特征集,所述第二特征集中的特征是用于识别运动的动作状态的特征;
第二分类单元,其基于所述第二特征集进行所述第一初步分类,获得所述第一初步分类结果,以及用于描述所述第一初步分类结果的依据的分类参数;
第一综合判断单元,其根据所述第一初步分类结果和所述分类参数,识别所述被识别体的动作状态。
5、如附记4所述的装置,其中,所述第一综合判断单元包括:
第一判断单元,其判断所述第一初步分类参数和所述初步分类结果是否满足预定条件,
第四识别单元,在所述第一判断单元的判断结果为满足所述预定条件的情况下,所述第四识别单元根据所述第一初步分类结果以及根据所述检测数据提取的第四特征,识别所述被识别体的动作状态,其中,所述第四特征不同于所述第一特征集中的特征和所述第二特征集中的特征,
在所述第一判断单元的判断结果为不满足所述预定条件的情况下,所述第四识别单元将所述第一初步分类结果作为所述被识别体的动作状态。
6、如附记3所述的装置,其中,所述第三识别单元包括:
第三特征提取单元,其用于根据所述检测数据提取第三特征集,所述第三特征集中的特征是用于表征传感器轴向的特征;
第三分类单元,其基于所述第三特征集进行所述第二初步分类,得到所述第二初步分类结果;
第二综合判断单元,在所述当前时刻之前的所述预定时刻所述第一识别单元的识别结果为运动状态的情况下,所述第二综合判断单元根据所述第三分类单元的所述第二初步分类结果和根据所述检测数据提取的第五特征,识别所述被识别体的动作状态,其中,所述第五特征不同于所述第一特征集中的特征和所述第三特征集中的特征。
7、如附记6所述的装置,其中,
在所述当前时刻之前的所述预定时刻所述第一识别单元的识别结果为静止状态时,所述第二综合判断单元将在当前时刻之前的预定时刻所述第三识别单元的识别结果作为在当前时刻所述被识别体的动作状态。
8、一种电子设备,包括附记1-7中任一项所述的动作状态的识别装置。
9、一种动作状态的识别方法,用于识别被识别体的动作状态,该方法包括:
根据设置于被识别体的传感器输出的检测数据,进行第一识别,以识别出所述被识别体处于运动状态还是静止状态;
基于所述第一识别的识别结果,根据对所述传感器输出的检测数据的初步分类结果,以及用于描述所述初步分类结果的依据的分类参数,和/或当前时刻之前的预定时刻所述第一识别的识别结果,识别出被识别体的动作状态。
10、如附记9所述的方法,其中,所述第一识别包括:
根据所述检测数据提取第一特征集,所述第一特征集中的特征是表征运动能量大小和/或运动变化剧烈程度的特征;
基于所述第一特征集进行分类,识别所述被识别体处于运动状态还是静止状态。
11、如附记9所述的方法,其中,基于所述第一识别的识别结果识别出被识别体的动作状态,包括:
在所述第一识别的识别结果为运动状态时,根据对所述传感器输出的检测数据的第一初步分类结果,以及用于描述所述第一初步分类结果的依据的分类参数,进行第二识别,以识别出所述被识别体的动作状态;和/或
在所述识别结果为静止状态时,根据对所述传感器输出的检测数据的第二初步分类结果,以及当前时刻之前的预定时刻所述第一识别的识别结果,进行第三识别,以识别出所述被识别体的动作状态。
12、如附记11所述的方法,其中,进行所述第二识别包括:
根据所述检测数据提取第二特征集,所述第二特征集中的特征是用于识别运动的动作状态的特征;
基于所述第二特征集进行所述第一初步分类,获得所述第一初步分类结果,以及用于描述所述第一初步分类结果的依据的分类参数;
根据所述第一初步分类结果和所述分类参数,识别所述被识别体的动作状态。
13、如附记12所述的方法,其中,根据所述第一初步分类结果和所述分类参数,识别所述被识别体的动作状态包括:
判断所述第一初步分类参数和所述初步分类结果是否满足预定条件;
在判断结果为满足所述预定条件的情况下,根据所述第一初步分类结果以及根据所述检测数据提取的第四特征,识别所述被识别体的动作状态,其中,所述第四特征不同于所述第一特征集中的特征和所述第二特征集中的特征,
在判断结果为不满足所述预定条件的情况下,将所述第一初步分类结果作为所述被识别体的动作状态。
14、如附记11所述的方法,其中,进行所述第三识别包括:
根据所述检测数据提取第三特征集,所述第三特征集中的特征是用于表征传感器轴向的特征;
基于所述第三特征集进行所述第二初步分类,得到所述第二初步分类结果;
在所述当前时刻之前的所述预定时刻所述第一识别的识别结果为运动状态的情况下,根据所述第二初步分类结果和根据所述检测数据提取的第五特征,识别所述被识别体的动作状态,其中,所述第五特征不同于所述第一特征集中的特征和所述第三特征集中的特征。
15、如附记14所述的方法,其中,
在所述当前时刻之前的所述预定时刻所述第一识别的识别结果为静止状态时,将在当前时刻之前的预定时刻所述第三识别的识别结果作为在当前时刻所述被识别体的动作状态。
Claims (10)
1.一种动作状态的识别装置,用于识别被识别体的动作状态,该装置包括:
第一识别单元,其根据设置于被识别体的传感器输出的检测数据,识别所述被识别体处于运动状态还是静止状态;
细分动作识别单元,其基于所述第一识别单元的识别结果,根据对所述传感器输出的检测数据的初步分类结果,以及用于描述所述初步分类结果的依据的分类参数,和/或当前时刻之前的预定时刻所述第一识别单元的识别结果,识别出被识别体的动作状态。
2.如权利要求1所述的装置,其中,所述第一识别单元包括:
第一特征提取单元,其根据所述检测数据提取第一特征集,所述第一特征集中的特征是表征运动能量大小和/或运动变化剧烈程度的特征;
第一分类单元,其基于所述第一特征集进行分类,识别所述被识别体处于运动状态还是静止状态。
3.如权利要求1所述的装置,其中,所述细分动作识别单元包括:
第二识别单元,其用于在所述第一识别单元的识别结果为运动状态时,根据对所述传感器输出的检测数据的第一初步分类结果,以及用于描述所述第一初步分类结果的依据的分类参数,识别所述被识别体的动作状态;和/或
第三识别单元,其用于在所述第一识别单元的识别结果为静止状态时,根据对所述传感器输出的检测数据的第二初步分类结果,以及当前时刻之前的预定时刻所述第一识别单元的识别结果,识别所述被识别体的动作状态。
4.如权利要求3所述的装置,其中,所述第二识别单元包括:
第二特征提取单元,其根据所述检测数据提取第二特征集,所述第二特征集中的特征是用于识别运动的动作状态的特征;
第二分类单元,其基于所述第二特征集进行所述第一初步分类,获得所述第一初步分类结果,以及用于描述所述第一初步分类结果的依据的分类参数;
第一综合判断单元,其根据所述第一初步分类结果和所述分类参数,识别所述被识别体的动作状态。
5.如权利要求4所述的装置,其中,所述第一综合判断单元包括:
第一判断单元,其判断所述第一初步分类参数和所述初步分类结果是否满足预定条件,
第四识别单元,在所述第一判断单元的判断结果为满足所述预定条件的情况下,所述第四识别单元根据所述第一初步分类结果以及根据所述检测数据提取的第四特征,识别所述被识别体的动作状态,其中,所述第四特征不同于所述第一特征集中的特征和所述第二特征集中的特征,
在所述第一判断单元的判断结果为不满足所述预定条件的情况下,所述第四识别单元将所述第一初步分类结果作为所述被识别体的动作状态。
6.如权利要求3所述的装置,其中,所述第三识别单元包括:
第三特征提取单元,其用于根据所述检测数据提取第三特征集,所述第三特征集中的特征是用于表征传感器轴向的特征;
第三分类单元,其基于所述第三特征集进行所述第二初步分类,得到所述第二初步分类结果;
第二综合判断单元,在所述当前时刻之前的所述预定时刻所述第一识别单元的识别结果为运动状态的情况下,所述第二综合判断单元根据所述第三分类单元的所述第二初步分类结果和根据所述检测数据提取的第五特征,识别所述被识别体的动作状态,其中,所述第五特征不同于所述第一特征集中的特征和所述第三特征集中的特征。
7.如权利要求6所述的装置,其中,
在所述当前时刻之前的所述预定时刻所述第一识别单元的识别结果为静止状态时,所述第二综合判断单元将在当前时刻之前的预定时刻所述第三识别单元的识别结果作为在当前时刻所述被识别体的动作状态。
8.一种电子设备,包括权利要求1-7中任一项所述的动作状态的识别装置。
9.一种动作状态的识别方法,用于识别被识别体的动作状态,该方法包括:
根据设置于被识别体的传感器输出的检测数据,进行第一识别,以识别所述被识别体处于运动状态还是静止状态;
基于所述第一识别的识别结果,根据对所述传感器输出的检测数据的初步分类结果,以及用于描述所述初步分类结果的依据的分类参数,和/或当前时刻之前的预定时刻所述第一识别的识别结果,识别出被识别体的动作状态。
10.如权利要求9所述的方法,其中,所述第一识别包括:
根据所述检测数据提取第一特征集,所述第一特征集中的特征是表征运动能量大小和/或运动变化剧烈程度的特征;
基于所述第一特征集进行分类,识别所述被识别体处于运动状态还是静止状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710930749.XA CN109635617A (zh) | 2017-10-09 | 2017-10-09 | 动作状态的识别方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710930749.XA CN109635617A (zh) | 2017-10-09 | 2017-10-09 | 动作状态的识别方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635617A true CN109635617A (zh) | 2019-04-16 |
Family
ID=66050982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710930749.XA Pending CN109635617A (zh) | 2017-10-09 | 2017-10-09 | 动作状态的识别方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635617A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000213967A (ja) * | 1999-01-22 | 2000-08-04 | Amutekkusu:Kk | 人体動作判別装置 |
JP2003061935A (ja) * | 2001-08-22 | 2003-03-04 | Matsushita Electric Ind Co Ltd | 個人情報端末および行動判別システム |
JP2009134590A (ja) * | 2007-11-30 | 2009-06-18 | Advanced Telecommunication Research Institute International | 行動識別システム、行動識別方法、最適センサ集合決定方法および最適パラメータ決定方法。 |
JP2010207485A (ja) * | 2009-03-11 | 2010-09-24 | Suzuken Co Ltd | 運動強度推定システム |
JP2011198161A (ja) * | 2010-03-22 | 2011-10-06 | Hiromitsu Hama | 対象物認識システム及び該システムを利用する監視システム、見守りシステム |
US20120277890A1 (en) * | 2011-04-29 | 2012-11-01 | Zheng Han | Method of Ball Game Motion Recognition, Apparatus for the same, and motion assisting device |
CN103701991A (zh) * | 2013-12-20 | 2014-04-02 | 百度在线网络技术(北京)有限公司 | 移动终端状态识别方法和移动终端 |
US20140129178A1 (en) * | 2012-11-07 | 2014-05-08 | Sensor Platforms, Inc. | Selecting Feature Types to Extract Based on Pre-Classification of Sensor Measurements |
US20140375552A1 (en) * | 2013-06-21 | 2014-12-25 | Casio Computer Co., Ltd. | Information processing apparatus, information processing method, and storage medium |
CN106237604A (zh) * | 2016-08-31 | 2016-12-21 | 歌尔股份有限公司 | 可穿戴设备及利用其监测运动状态的方法 |
US20170086711A1 (en) * | 2015-09-25 | 2017-03-30 | J-Mex Inc. | Motion recognition device and method |
-
2017
- 2017-10-09 CN CN201710930749.XA patent/CN109635617A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000213967A (ja) * | 1999-01-22 | 2000-08-04 | Amutekkusu:Kk | 人体動作判別装置 |
JP2003061935A (ja) * | 2001-08-22 | 2003-03-04 | Matsushita Electric Ind Co Ltd | 個人情報端末および行動判別システム |
JP2009134590A (ja) * | 2007-11-30 | 2009-06-18 | Advanced Telecommunication Research Institute International | 行動識別システム、行動識別方法、最適センサ集合決定方法および最適パラメータ決定方法。 |
JP2010207485A (ja) * | 2009-03-11 | 2010-09-24 | Suzuken Co Ltd | 運動強度推定システム |
JP2011198161A (ja) * | 2010-03-22 | 2011-10-06 | Hiromitsu Hama | 対象物認識システム及び該システムを利用する監視システム、見守りシステム |
US20120277890A1 (en) * | 2011-04-29 | 2012-11-01 | Zheng Han | Method of Ball Game Motion Recognition, Apparatus for the same, and motion assisting device |
US20140129178A1 (en) * | 2012-11-07 | 2014-05-08 | Sensor Platforms, Inc. | Selecting Feature Types to Extract Based on Pre-Classification of Sensor Measurements |
US20140375552A1 (en) * | 2013-06-21 | 2014-12-25 | Casio Computer Co., Ltd. | Information processing apparatus, information processing method, and storage medium |
CN103701991A (zh) * | 2013-12-20 | 2014-04-02 | 百度在线网络技术(北京)有限公司 | 移动终端状态识别方法和移动终端 |
US20170086711A1 (en) * | 2015-09-25 | 2017-03-30 | J-Mex Inc. | Motion recognition device and method |
CN106237604A (zh) * | 2016-08-31 | 2016-12-21 | 歌尔股份有限公司 | 可穿戴设备及利用其监测运动状态的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103942577B (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN103810490B (zh) | 一种确定人脸图像的属性的方法和设备 | |
CN105205501B (zh) | 一种多分类器联合的弱标注图像对象检测方法 | |
CN103824052B (zh) | 一种基于多层次语义特征的人脸特征提取方法及识别方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN104268598B (zh) | 一种基于二维扫描激光的人腿检测方法 | |
JP2010207488A (ja) | 行動解析装置及びプログラム | |
JP2012053756A (ja) | 画像処理装置及び画像処理方法 | |
WO2009090584A2 (en) | Method and system for activity recognition and its application in fall detection | |
CN105320948A (zh) | 一种基于图像的性别识别方法、装置及*** | |
Ding et al. | Energy efficient human activity recognition using wearable sensors | |
CN106529377A (zh) | 一种基于图像的年龄估计方法、装置及*** | |
CN108898623A (zh) | 目标跟踪方法及设备 | |
Arif et al. | Human pose estimation and object interaction for sports behaviour | |
CN115346272A (zh) | 基于深度图像序列的实时摔倒检测方法 | |
Liu et al. | Human body fall detection based on the Kinect sensor | |
CN111603169A (zh) | 基于mems惯性传感器的行人步态识别方法 | |
CN110163264A (zh) | 一种基于机器学习的行走模式识别方法 | |
Okochi et al. | Object recognition from 3d point cloud on resource-constrained edge device | |
CN109635617A (zh) | 动作状态的识别方法、装置和电子设备 | |
Dwiyantoro et al. | A simple hierarchical activity recognition system using a gravity sensor and accelerometer on a smartphone | |
CN116311347A (zh) | 人员在岗检测方法、电子设备和计算机可读存储介质 | |
Su et al. | A novel method for short-time human activity recognition based on improved template matching technique | |
Martinelli et al. | Daily movement recognition for dead reckoning applications | |
Kanna et al. | Activities of daily life (ADL) recognition using wrist-worn accelerometer |
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: 20190416 |