CN110598599A - 基于Gabor原子分解的人体异常步态检测方法和装置 - Google Patents
基于Gabor原子分解的人体异常步态检测方法和装置 Download PDFInfo
- Publication number
- CN110598599A CN110598599A CN201910813891.5A CN201910813891A CN110598599A CN 110598599 A CN110598599 A CN 110598599A CN 201910813891 A CN201910813891 A CN 201910813891A CN 110598599 A CN110598599 A CN 110598599A
- Authority
- CN
- China
- Prior art keywords
- gait
- data
- gabor
- training
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 206010017577 Gait disturbance Diseases 0.000 title claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 14
- 230000005021 gait Effects 0.000 claims abstract description 127
- 239000013598 vector Substances 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 62
- 230000001133 acceleration Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Dentistry (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (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
本申请公开了一种基于基于Gabor原子分解的人体异常步态检测方法和装置,属于步态分析领域。该方法包括:从实验者运动中获取三维加速度数据作为训练样本集,对Gabor模型进行训练;接收到待识别的步态数据时,训练后的Gabor对其进行分类得到一个类别向量;训练后的基于MP的Gabor模型对每个类别向量进行计算得到对应的特征向量,计算所有类别向量与特征向量的欧式距离,把距离作为该步态分析的识别结果。该装置包括:训练集获取模块、训练模块、数据处理模块和Gabor模块。本申请提高了步态分析的准确率,避免出现不误判漏判的结果,保证了识别出的步态结果的完整性、可读性。
Description
技术领域
本申请涉及步态分析领域,特别是涉及一种基于Gabor原子分解的人体异常步态检测方法和装置。
背景技术
目前用于运动数据收集和分析的可穿戴设备多数为基于重力加速度传感器或陀螺仪用于运动检测。基于iPhone的加速度计和陀螺仪分析步态行为特征;使用运动捕捉***捕捉老年用户的步态,该***由体佩标签和壁挂式传感器组成,并且提出了机器学***台,可以引入大数据和更复杂的算法,用于老年人日常生活中的异常步态行为检测。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面,提供了一种基于基于Gabor原子分解的人体异常步态检测方法,包括:
从动态步态数据集作为训练样本集;
使用所述训练样本集对Gabor模型进行训练;
当接收到步态数据时,所述训练后的Gabor对其进行分类得到一个所述步态数据的类别向量;
所述训练后Gabor模型得到的每个类别向量进行计算得到对应的特征向量,并计算所有类别向量与所有特征向量之间的欧式距离,把距离作为所述图像的识别结果。
可选地,使用所述训练样本集对Gabor模型进行训练,包括:
将所述训练样本集中的步态数据作为步态训练样本,对Gabor模型进行训练,为每一组数据添加特征分类的标签得到类别向量;
可选地,当接收到待识别的步态数据时,所述训练后的Gabor模型对其进行分类得到一个所述步态的类别向量,包括:
当接收到待识别的步态数据时,所述训练后的Gobor模型对所述图像进行分类,确定所述步态数据所属的一个类别,为所属的每一个类别添加一个相应的标签得到对应的类别向量。
可选地,计算所有类别向量与所有步态特征向量之间的欧式距离,把距离远近作为所述步态数据的识别结果,包括:
在所有类别向量与特征向量之间,两两计算欧式距离,在得到的所有欧氏距离中确定距离超出范围的欧氏距离,将所述超出范围距离的欧氏距离所对应的步态数据向量作为所述步态数据的识别结果。
可选地,所述方法还包括:
将所述步态的识别结果推送给上传所述步态数据的用户进行推荐。
根据本申请的另一个方面,提供了一种基于匹配追踪法的Gabor原子特征提取,包括:
迭代模块,其配置成从MP是次优的,非线性的迭代过程,将信号分解为已知函数(原子)的线性和这些函数从冗余集(数据集)中选择。;
提取模块,其配置成通过对所选函数的WVD(Wigner-Ville分布)求和并明确省略交叉项,可以获得信号能量的时频分布,然后提取具有时频分布特性的离散WVD能量矩阵作为特征;;
分类模块,其配置成一种用于异常行为分类的非参数分类回归方法k近邻算法。
识别模块,其配置成在经过训练后,对所述Gabor模块得到的每个类别向量进行计算得到对应的特征向量,并计算所有类别向量与所有特征向量之间的欧式距离,把距离的远近作为步态分析的识别结果。
可选地,所述迭代模块具体配置成:
将所述训练样本集中的数据作为步态的训练样本,MP的分解过程通过迭代实现。迭代次数由给定的残差确定。在第一步中,一个初始原子gγ从数据集中选择(D)具有信号的最大值。计算给定信号和所选原子之间的残差。残差用作新的给定信号进行分解。在连续迭代中,选择具有新给定信号的最大乘积的原子。重复该过程,直到信号以给定的精度分解;
将所述训练样本集中的信号输出给提取模块。
可选地,所述提取模块具体配置成:
在经过迭代后,当接收到待识别的信号时,对所述加速度信号进行分析,确定所述信号的时频分布。
可选地,所述分类模块具体配置成:
在所有类别向量与所有特征向量之间,两两计算欧式距离,在得到的所有欧氏距离中确定欧氏距离的大小,将所述距离作为所述步态的识别结果。
可选地,所述装置还包括:
推送模块,其配置成将所述步态数据的识别结果推送给上传所述步态的用户进行预警。
根据本申请的又一个方面,提供了一种计算设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的方法。
根据本申请的又一个方面,提供了一种计算机可读存储介质,优选为非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如上所述的方法。
根据本申请的又一个方面,提供了一种计算机程序产品,包括计算机可读代码,当所述计算机可读代码由计算机设备执行时,导致所述计算机设备执行上述的方法。
本申请提供的技术方案,通过从样本集中获取步态数据作为训练样本集,对Gabor模型进行训练;当接收到待识别的步态时,训练后的Gabor模型对其进行分类得到一个该步态数据的类别向量;计算所有类别向量与步态特征向量之间的欧式距离,把距离作为该步态数据的识别结果,提高了步态识别的准确率,避免出现误报警的结果,基于MP的Gabor原子特征提取将信号迭代后提取,使得步态特征信息与强度和识别率更高,保证了识别出的步态结果的完整性、可读性。基于欧氏距离求出步态距离,能够更具有科学性,保证了步态识别的准确率。
根据下文结合附图对本申请的具体实施例的详细描述,本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本申请一个实施例的基于Gabor原子分解的人体异常步态检测方法的流程图;
图2是根据本申请另一个实施例的基于Gabor原子分解的人体异常步态检测方法的流程图;
图3是根据本申请另一个实施例的基于Gabor的步态识别装置结构图;
图4是根据本申请另一个实施例的计算设备结构图;
图5是根据本申请另一个实施例的计算机可读存储介质结构图。
具体实施方式
图1是根据本申请一个实施例的基于Gabor原子分解的人体异常步态检测方法的流程图。参见图1,该方法包括:
101:从实验者运动中获取三维加速度数据作为训练样本集;
102:使用训练样本数据集对Gabor模型进行训练,提取步态特征向量;
103:当接收到待识别步态数据时,训练后的Gabor模型对识别数据进行分类,提取相对应向量;
104:训练后的Gabor模型会计算向量和特征向量的距离,并把距离的远近作为步态数据分类依据,超过预定阈值的距离,像用户发出预警。
本实施例中,可选的,使用训练样本集对Gabor模型进行训练,包括:
将训练样本集中的步态数据作为步态训练样本,对Gabor进行训练,为每一个数据通过分类得到类别向量;
本实施例中,可选的,当接收到待识别的步态时,训练后的Gabor对其进行分类得到一个类别向量,包括:
当接收到待识别的步态数据时,训练后的Gabor对步态数据进行分类,确定步态数据所属的一个或多个类别,为所属的每一个类别添加一个相应的标签得到对应的类别向量。
本实施例中,可选的,计算所有类别向量与所有特征向量之间的欧式距离,把距离作为步态的识别结果,包括:
在所有类别向量与所有特征向量之间,两两计算欧式距离,在得到的所有欧氏距离中确定超出阈值的欧氏距离,将距离超出阈值的欧氏距离所对应的步态数据向量作为步态分析的识别结果。
本实施例中,可选的,上述方法还包括:
将步态的识别结果推送给上传步态数据的用户进行预警。
本实施例提供的上述方法,通过从实验者运动中获取加速度数据作为训练样本集,对Gabor模型进行训练;当接收到待识别的步态数据时,训练后的Gabor对其进行分类得到一个步态数据的类别向量;训练后的Gabor模型对每个类别向量进行计算得到类别特征向量,并计算所有类别向量与特征向量之间的欧式距离,把距离作为该步态数据的识别结果,提高了步态识别准确率,避免出现误判或漏判的结果,基于MP的Gabor原子特征提取将迭代过程优化,保证了识别出的步态数据结果的完整性、可读性。基于欧氏距离求出距离最近对应的特征向量,能够更具有代表性,保证了步态数据预警的准确率。
图2是根据本申请另一个实施例的基于基于Gabor原子分解的人体异常步态检测方法流程图。参见图2,该方法包括:
201:从实验者运动中获取三维加速度的数据作为训练样本集;
202:使用训练样本数据集对Gabor模型进行训练,提取步态特征向量,为每一个步态特征向量添加分类标签,得到类别特征向量;
本实施例中,步态的类别可以由多个,具体数目不限定,如可以设置步态有4个类别等等。
203:当接收到待识别步态数据时,进行数据预处理,将信号处理后,输入到训练好的Gabor模型中;
204:训练后的Gabor模型会计算待识别向量和特征向量的距离,并把距离的远近作为步态数据分类依据;
205:分类后数据若被归入预警范围,超过预定阈值的距离,向用户发出预警;
上述方法可以适用于老人或行走康复训练中的用户,当其发生行走动作后,基于上述方法可以为该上传的步态数据的用户提供智能步态分析功能,使得用户选择上传步态数据后即可对步态进行分类,并根据步态类别智能地匹配返回针对不同类型的步态预警,帮助其准确快速地识别自己的行走状态,***在监测到步态异常时还会自动预警。
本实施例提供的上述方法,通过从实验者运动中获取加速度数据作为训练样本集,对Gabor模型进行训练;当接收到待识别的步态数据时,训练后的Gabor对其进行分类得到一个步态数据的类别向量;训练后的Gabor模型对每个类别向量进行计算得到类别特征向量,并计算所有类别向量与特征向量之间的欧式距离,把距离作为该步态数据的识别结果,提高了步态识别准确率,避免出现误判或漏判的结果,基于MP的Gabor原子特征提取将迭代过程优化,保证了识别出的步态数据结果的完整性、可读性。基于欧氏距离求出距离最近对应的特征向量,能够更具有代表性,保证了步态数据预警的准确率。
图3是根据本申请另一个实施例的基于Gabor的步态识别装置结构图。参见图3,该装置包括:
训练集获取模块301,其配置成从实验者运动中获取三维加速度作为训练样本集;
训练模块302,其配置成使用训练样本集对Gabor模块进行训练;
数据处理模块303,其配置成在经过调整后,当接收到待识别的加速度数据时,对其信号进行放大整理;
Gabor模块304,其配置成在经过训练后,对Gabor模块得到的每个类别向量进行计算得到对应的特征向量,并计算所有类别向量与所有特征向量之间的欧式距离,把距离作为步态分析的识别结果。
本实施例中,可选的,训练模块具体配置成:
将训练样本集中的图像作为图像训练样本,对CNN模块进行训练,为每一个图像添加图像分类的标签得到类别向量;
将训练样本集中的文字描述作为文字训练样本,对Word2vec模块进行训练,得到优化后的Word2vec模块。
本实施例中,可选的,CNN模块具体配置成:
在经过训练后,当接收到待识别的图像时,对图像进行分类,确定图像所属的一个或多个类别,为所属的每一个类别添加一个相应的标签得到对应的类别向量。
本实施例中,可选的,Gabor模块具体配置成:
在所有类别向量与所有特征向量之间,两两计算欧式距离,在得到的所有欧氏距离中确定距离超出阈值的欧氏距离,将距离超出阈值的欧氏距离所对应的特征向量作为步态分析的识别结果。
本实施例中,可选的,上述装置还包括:
推送模块,其配置成将步态的识别结果推送给上传步态数据的用户进行预警。
本实施例提供的上述装置,可以执行上述任一方法实施例提供的方法,详细过程详见方法实施例中的描述,此处不再赘述。
本实施例提供的上述方法,通过从实验者运动中获取加速度数据作为训练样本集,对Gabor模型进行训练;当接收到待识别的步态数据时,训练后的Gabor对其进行分类得到一个步态数据的类别向量;训练后的Gabor模型对每个类别向量进行计算得到类别特征向量,并计算所有类别向量与特征向量之间的欧式距离,把距离作为该步态数据的识别结果,提高了步态识别准确率,避免出现误判或漏判的结果,基于MP的Gabor原子特征提取将迭代过程优化,保证了识别出的步态数据结果的完整性、可读性。基于欧氏距离求出距离最近对应的特征向量,能够更具有代表性,保证了步态数据预警的准确率。
根据下文结合附图对本申请的具体实施例的详细描述,本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
本申请实施例还提供了一种计算设备,参照图4,该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110 运行的计算机程序,该计算机程序存储于存储器1120中的用于程序代码的空间1130,该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请实施例还提供了一种计算机可读存储介质。参照图5,该计算机可读存储介质包括用于程序代码的存储单元,该存储单元设置有用于执行根据本发明的方法步骤的程序1131′,该程序被处理器执行。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时,使得计算机执行根据本发明的方法步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(英文:non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(英文:magnetic tape),软盘(英文:floppy disk),光盘(英文:optical disc)及其任意组合。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于Gabor原子分解的人体异常步态检测方法,包括:
从嵌入智能终端的三轴减速度传感器收集的X,Y,Z轴人体运动数据作为训练样本集;
使用所述训练样本集对基于MP的Gabor原子特征提取;
当接收到待识别的三轴数据时,所述训练后的Gabor函数对其进行分类得到一个或多个所述数据的类别特征向量;
所述训练后的得到的Gabor函数对每个类别向量进行计算得到特征向量,并计算所有类别向量与样本集之间的欧式距离,把距离的远近作为人体异常步态检测的识别结果。
2.根据权利要求1所述的方法,其特征在于,使用所述训练样本集对Gabor原子分解模型进行训练,包括:
将所述训练样本集中的步态数据作为步态训练样本,对Gabor原子分解模型进行训练,为每一类步态数据标签得到类别的特征向量;
将所述训练样本集中的特征向量作为步态特征,来确定实际步态数据所属类别。
3.根据权利要求1所述的方法,其特征在于,当接收到待识别的步态数据时,所述训练后Gabor模型对其进行分类得到一个或多个所述步态的类别向量,包括:
当接收到待识别的步态数据时,所述训练后的Gabor模型对所述步态数据进行分类,确定所述步态数据所属的一个或多个类别,为所属的每一个类别添加一个相应的标签得到对应的类别向量。
4.根据权利要求1所述的方法,其特征在于,计算所有类别向量与样本向量之间的欧式距离,把距离的远作为移动步态数据的识别结果,包括:
在所有类别向量与训练好的特征向量之间,两两计算欧式距离,在得到的所有欧氏距离中确定距离的远近不一的欧氏距离,将所述距离最远的欧氏距离所对应的步态向量作为所述异常步态的识别结果。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述方法还包括:
将所述步态数据的识别结果推送给上传所述数据的用户进行预警。
6.一种基于深度学习的图像识别装置,包括:
数据获取模块,其配置成从运动中获取步态三轴加速度数据作为训练样本集;
训练模块,其配置成使用所述训练样本集对数据预处理和Gabor模块进行训练;
数据预处理模块,其配置成在经过识别数据后,当接收到待识别的动态步态数据时,对其进行加速度信号增强然后进行特征向量的提取;
Gabor模块,其配置成在经过训练后,对所述数据预处理模块得到的每个类别向量进行计算得到对应的特征向量,并计算所有特征向量与训练好的样本向量之间的欧式距离,把距离的远近作为所述步态数据的识别结果。
7.根据权利要求6所述的装置,其特征在于,所述训练模块具体配置成:
将所述训练样本集中的步态数据作为Gabor训练样本,对所述Gabor模块进行训练,为每一组步态数据添加步态分类的标签得到类别向量。
8.根据权利要求6所述的装置,其特征在于,所述Gabor模块具体配置成:
在经过训练后,当接收到待识别的步态数据时,对所述步态数据进行分类,确定所述步态数据所属的类别,为所属的每一个类别添加一个相应的标签得到对应的类别向量。
9.根据权利要求6所述的装置,其特征在于,所述Gabor模块具体配置成:
在所有类别向量与所有动态步态向量之间,两两计算欧式距离,在得到的所有欧氏距离中确定超出范围的欧氏距离,将所述超出范围的欧氏距离所对应的步态数据作为所述图像的识别结果。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述装置还包括:
推送模块,其配置成将所述步态的识别结果推送给上传所述步态的用户进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910813891.5A CN110598599A (zh) | 2019-08-30 | 2019-08-30 | 基于Gabor原子分解的人体异常步态检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910813891.5A CN110598599A (zh) | 2019-08-30 | 2019-08-30 | 基于Gabor原子分解的人体异常步态检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598599A true CN110598599A (zh) | 2019-12-20 |
Family
ID=68856479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910813891.5A Pending CN110598599A (zh) | 2019-08-30 | 2019-08-30 | 基于Gabor原子分解的人体异常步态检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598599A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990261A (zh) * | 2021-02-05 | 2021-06-18 | 清华大学深圳国际研究生院 | 一种基于敲击节奏的智能手表用户识别方法 |
CN114358214A (zh) * | 2022-03-11 | 2022-04-15 | 中国科学院上海高等研究院 | 步态自适应识别方法及装置、存储介质和终端 |
CN113158745B (zh) * | 2021-02-02 | 2024-04-02 | 北京惠朗时代科技有限公司 | 一种基于多特征算子的乱码文档图片识别方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110081082A1 (en) * | 2009-10-07 | 2011-04-07 | Wei Jiang | Video concept classification using audio-visual atoms |
CN102043967A (zh) * | 2010-12-08 | 2011-05-04 | 中国科学院自动化研究所 | 一种有效的运动目标行为建模与识别方法 |
CN103473539A (zh) * | 2013-09-23 | 2013-12-25 | 智慧城市***服务(中国)有限公司 | 步态识别方法和装置 |
CN103886341A (zh) * | 2014-03-19 | 2014-06-25 | 国家电网公司 | 基于特征组合的步态行为识别方法 |
CN109785857A (zh) * | 2019-02-28 | 2019-05-21 | 桂林电子科技大学 | 基于mfcc+mp融合特征的异常声事件识别方法 |
-
2019
- 2019-08-30 CN CN201910813891.5A patent/CN110598599A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110081082A1 (en) * | 2009-10-07 | 2011-04-07 | Wei Jiang | Video concept classification using audio-visual atoms |
CN102043967A (zh) * | 2010-12-08 | 2011-05-04 | 中国科学院自动化研究所 | 一种有效的运动目标行为建模与识别方法 |
CN103473539A (zh) * | 2013-09-23 | 2013-12-25 | 智慧城市***服务(中国)有限公司 | 步态识别方法和装置 |
CN103886341A (zh) * | 2014-03-19 | 2014-06-25 | 国家电网公司 | 基于特征组合的步态行为识别方法 |
CN109785857A (zh) * | 2019-02-28 | 2019-05-21 | 桂林电子科技大学 | 基于mfcc+mp融合特征的异常声事件识别方法 |
Non-Patent Citations (2)
Title |
---|
YUCHONG TANG: ""Wearable Abnormal Gait Behavior Detection System for Elderly Based on Gabor Atoms Decomposition and Cloud Computing", 《2017 IEEE 8TH INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND SERVICE SCIENCE》 * |
罗坚 等: "基于云计算的可穿戴式老龄人异常行为检测系研究", 《传感技术学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158745B (zh) * | 2021-02-02 | 2024-04-02 | 北京惠朗时代科技有限公司 | 一种基于多特征算子的乱码文档图片识别方法及*** |
CN112990261A (zh) * | 2021-02-05 | 2021-06-18 | 清华大学深圳国际研究生院 | 一种基于敲击节奏的智能手表用户识别方法 |
CN114358214A (zh) * | 2022-03-11 | 2022-04-15 | 中国科学院上海高等研究院 | 步态自适应识别方法及装置、存储介质和终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hakim et al. | Smartphone based data mining for fall detection: Analysis and design | |
Tubaiz et al. | Glove-based continuous Arabic sign language recognition in user-dependent mode | |
Gupta et al. | A survey on human activity recognition and classification | |
Asim et al. | Context-aware human activity recognition (CAHAR) in-the-Wild using smartphone accelerometer | |
Tuncer et al. | An automated daily sports activities and gender recognition method based on novel multikernel local diamond pattern using sensor signals | |
CN107688790B (zh) | 人体行为识别方法、装置、存储介质及电子设备 | |
CN110598599A (zh) | 基于Gabor原子分解的人体异常步态检测方法和装置 | |
Garcia-Ceja et al. | Long-term activity recognition from accelerometer data | |
CN107590473B (zh) | 一种人脸活体检测方法、介质和相关装置 | |
Ahmed et al. | An approach to classify human activities in real-time from smartphone sensor data | |
Shinmoto Torres et al. | Evaluation of wearable sensor tag data segmentation approaches for real time activity classification in elderly | |
CN108958482A (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
JP2022120775A (ja) | オンデバイスでの活動認識 | |
Khatun et al. | Human activity recognition using smartphone sensor based on selective classifiers | |
Liu et al. | A lightweight double-channel depthwise separable convolutional neural network for multimodal fusion gait recognition | |
CN108431761B (zh) | 用于在可穿戴设备中识别姿势的***、方法、介质及设备 | |
Qu et al. | Convolutional neural network for human behavior recognition based on smart bracelet | |
CN110739077A (zh) | 癫痫发作预警方法及*** | |
CN109620241B (zh) | 一种可穿戴设备及基于其的动作监测方法 | |
CN109993312B (zh) | 一种设备及其信息处理方法、计算机存储介质 | |
Wang | Data feature extraction method of wearable sensor based on convolutional neural network | |
CN111126294B (zh) | 一种基于移动终端数据识别终端用户步态的方法和服务器 | |
CN111544003B (zh) | 一种基于传感器的武术动作识别***、方法及存储介质 | |
Rawat et al. | A Classifier Approach using Deep Learning for Human Activity Recognition | |
Abd Aziz et al. | Fall detection system: signal analysis in reducing false alarms using built-in tri-axial 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |