CN113963437A - 一种基于深度学习的步态识别序列获取方法和*** - Google Patents
一种基于深度学习的步态识别序列获取方法和*** Download PDFInfo
- Publication number
- CN113963437A CN113963437A CN202111203193.7A CN202111203193A CN113963437A CN 113963437 A CN113963437 A CN 113963437A CN 202111203193 A CN202111203193 A CN 202111203193A CN 113963437 A CN113963437 A CN 113963437A
- Authority
- CN
- China
- Prior art keywords
- data
- pedestrian
- sequence
- gait
- target
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的步态识别序列获取方法，包括：采集适用于步态识别场景的行人样本数据，行人样本数据包括正样本和负样本；训练行人目标检测模型；采集待识别数据；对待识别数据进行目标检测；对检测到的目标进行跟踪；对跟踪的输出进行运动目标检测；对待分割步态序列进行筛选；对待分割序列每一帧图像进行行人质量验证；输出步态识别序列。本发明公开的一个适用于步态识别场景的目标检测方法和***，有效地过滤掉了无效的步态帧数据；本发明对跟踪输出进行运动目标检测，过滤掉了静止目标；本发明对待分割步态序列进行筛选和行人质量验证，保证了步态序列的合理性、有效性，极大地提高了步态识别的精度。
Description
技术领域
本发明涉及的是机器学习领域，特别涉及一种基于深度学习的步态识别序列获取方法和***。
背景技术
步态是一种生物特征，相较于虹膜、掌纹、静脉等其他生物特征，步态具有非接触、远程可检测、非入侵性和难隐藏性等显著优势，可广泛应用于安防、交通、工业等行业领域。在现有步态识别技术中，首先通过目标检测与跟踪技术，生成行人目标图像序列，再进行序列分割，最后得到步态识别序列。目前，已有的检测与跟踪技术，容易产生目标误检、对静止的目标频繁抓拍，应用到步态识别场景，输出的检测目标还会存在不包括步态信息、步态信息不完整等现象，严重影响了步态识别的准确率。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度学习的步态识别序列获取方法及***。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
一种基于深度学习的步态识别序列获取方法，包括：
S100.采集适用于步态识别场景的行人样本数据，行人样本数据包括正样本和负样本；
S200.训练行人目标检测模型；
S300.采集待识别数据；
S400.对待识别数据进行目标检测；
S500.对检测到的目标进行跟踪；
S600.对跟踪的输出进行运动目标检测；
S700.对待分割步态序列进行筛选；
S800.对待分割序列每一帧图像进行行人质量验证；
S900.输出步态识别序列。
进一步地，S100中，采集适用于步态识别场景的行人样本数据，具体包括：
S101.采集视频监控场景下行人检测正样本数据，并进行分类标注；
S102.采集视频监控场景下行人检检测负样本数据，并进行分类标注。
进一步地，S200中，训练行人目标检测模型，具体包括：
S201.将采集的样本数据制作成VOC数据集的格式；
S202.通过yolov5框架训练行人目标检测模型。
进一步地，S300中，采集待识别数据，具体包括：
S301.通过采集本地视频文件，作为离线待识别数据；
S302.通过采集监控摄像头实时视频数据，作为实时待识别数据；
S303.通过采集监控摄像头历史录像数据，作为录像待识别数据。
进一步地，S400中，对待识别数据进行目标检测，具体包括：
S401.加载待识别数据；
S402.加载已训练好的基于yolov5的行人目标检测算法模型；
S403.通过行人目标检测算法对待识别数据进行检测；
S404.返回检测结果。
进一步地，S500中，对检测到的目标进行跟踪，具体包括：
S501.输入检测环节输出的检测结果；
S502.通过kcf算法进行目标跟踪；
S503.返回跟踪结果。
进一步地，S600中，对跟踪的输出进行运动目标检测，具体包括：
S601.输入kcf跟踪返回的结果；
S602.获取视频帧输入数据信息；
S603.获取视频前景图；
S604.获取目标框数据；
S605.获取目标框中所含前景点数量；
S606.获取目标框中前景百分比；
S607.返回运动目标检测结果。
进一步地，S700中，对待分割步态序列进行筛选，具体包括：
S701.输入运动目标检测后输出的行人序列，其中序列数为S；
S702.设定最小步态序列数N，最大步态序列数M；
S703.确定选择序列索引编号，设定开始索引SI＝0,结束索引EI＝0，如果S>M，则SI＝(S-M)/2，EI＝SI+(M/2)-1；如果S<M，则SI＝0,EI＝S-1；
S704.根据选择的索引编号，确定初始待分割序列L0；
S705.设定每一帧图像数据高宽比阈值为T；
S706.依次计算分割序列L0中每一帧数据数据的宽高比，与阈值T比较，小于T的舍弃；
S707.输出待分割步态序列。
进一步地，S800中，对待分割序列每一帧图像进行行人质量验证，具体包括：
S801.加载待分割步态序列；
S802.选择序列中帧目标置信度最高的一个目标K，设定得分为score1；
S803.加载离线训练好的行人重识别ReID模型；
S804.计算目标K的行人特征；
S805.通过加载的ReID模型依次计算输入序列中其他帧数据目标的行人特征；
S806.设定目标比对阈值为L；
S807.计算目标K与其他帧数据目标的相似度；
S808.将计算得到相似度与阈值L比较，小于L的序列舍弃掉；
S809.输出待识别步态序列。
本发明还公开了一种基于深度学习的步态识别序列获取***，包括：行人目标检测模型训练模块、待识别数据运动目标检测模块、步态识别序列输出模块；其中：
行人目标检测模型训练模块，用于采集适用于步态识别场景的行人样本数据，并通过yolov5框架进行训练，形成行人目标检测模型；
待识别数据运动目标检测模块，用于采集待识别数据；对待识别数据进行目标检测，对检测到的目标进行跟踪，对跟踪的输出进行运动目标检测；
步态识别序列输出模块，用于对待分割步态序列筛选；对待分割序列每一帧图像进行行人质量验证；输出步态识别序列。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明公开的一种基于深度学习的步态识别序列获取方法，包括：采集适用于步态识别场景的行人样本数据，行人样本数据包括正样本和负样本；训练行人目标检测模型；采集待识别数据；对待识别数据进行目标检测；对检测到的目标进行跟踪；对跟踪的输出进行运动目标检测；对待分割步态序列进行筛选；对待分割序列每一帧图像进行行人质量验证；输出步态识别序列。本发明公开的一个适用于步态识别场景的目标检测方法和***，有效地过滤掉了无效的步态帧数据；本发明对跟踪输出进行运动目标检测，过滤掉了静止目标；本发明对待分割步态序列进行筛选和行人质量验证，保证了步态序列的合理性、有效性，极大地提高了步态识别的精度。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中，一种基于深度学习的步态识别序列获取方法的流程图；
图2为本发明实施例1中，目标检测模型训练流程图；
图3为本发明实施例1中，运动目标检测流程图；
图4为本发明实施例1中，行人质量验证流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题，本发明实施例提供一种基于深度学习的步态识别序列获取方法和***。
实施例1
本实施例公开了一种基于深度学习的步态识别序列获取方法，如图1，包括：
S100.采集适用于步态识别场景的行人样本数据，行人样本数据包括正样本和负样本；具体的，本实施例S100中，采集适用于步态识别场景的行人样本数据，具体包括：
S101.采集视频监控场景下行人检测正样本数据，并进行分类标注；
S102.采集视频监控场景下行人检检测负样本数据，并进行分类标注。
S200.训练行人目标检测模型；具体的，如图2，本实施例S200中，训练行人目标检测模型，具体包括：
S201.将采集的样本数据制作成VOC数据集的格式；
S202.通过yolov5框架训练行人目标检测模型。
S300.采集待识别数据；具体的，本实施例S300中，采集待识别数据，具体包括：
S301.通过采集本地视频文件，作为离线待识别数据；
S302.通过采集监控摄像头实时视频数据，作为实时待识别数据；
S303.通过采集监控摄像头历史录像数据，作为录像待识别数据。
S400.对待识别数据进行目标检测；具体的，本实施例S400中，对待识别数据进行目标检测，具体包括：
S401.加载待识别数据；
S402.加载已训练好的基于yolov5的行人目标检测算法模型；
S403.通过行人目标检测算法对待识别数据进行检测；
S404.返回检测结果。
S500.对检测到的目标进行跟踪；具体的，本实施例S500中，对检测到的目标进行跟踪，具体包括：
S501.输入检测环节输出的检测结果；
S502.通过kcf算法进行目标跟踪；
S503.返回跟踪结果。
S600.对跟踪的输出进行运动目标检测；具体的，本实施例S600中，对跟踪的输出进行运动目标检测，具体如图3，包括：
S601.输入kcf跟踪返回的结果；
S602.获取视频帧输入数据信息；
S603.获取视频前景图；
S604.获取目标框数据；
S605.获取目标框中所含前景点数量；
S606.获取目标框中前景百分比；
S607.返回运动目标检测结果。
S700.对待分割步态序列进行筛选；具体的，本实施例S700中，对待分割步态序列进行筛选，具体包括：
S701.输入运动目标检测后输出的行人序列，其中序列数为S；
S702.设定最小步态序列数N，最大步态序列数M；
S703.确定选择序列索引编号，设定开始索引SI＝0,结束索引EI＝0，如果S>M，则SI＝(S-M)/2，EI＝SI+(M/2)-1；如果S<M，则SI＝0,EI＝S-1；
S704.根据选择的索引编号，确定初始待分割序列L0；
S705.设定每一帧图像数据高宽比阈值为T；
S706.依次计算分割序列L0中每一帧数据数据的宽高比，与阈值T比较，小于T的舍弃；
S707.输出待分割步态序列。
S800.对待分割序列每一帧图像进行行人质量验证；具体的，本实施例S800中，对待分割序列每一帧图像进行行人质量验证，具体如图4，包括：
S801.加载待分割步态序列；
S802.选择序列中帧目标置信度最高的一个目标K，设定得分为score1；
S803.加载离线训练好的行人重识别ReID模型；
S804.计算目标K的行人特征；
S805.通过加载的ReID模型依次计算输入序列中其他帧数据目标的行人特征；
S806.设定目标比对阈值为L；
S807.计算目标K与其他帧数据目标的相似度；
S808.将计算得到相似度与阈值L比较，小于L的序列舍弃掉；
S809.输出待识别步态序列。
S900.输出步态识别序列。
本实施例还公开了一种基于深度学习的步态识别序列获取***，包括：行人目标检测模型训练模块、待识别数据运动目标检测模块、步态识别序列输出模块；其中：
行人目标检测模型训练模块，用于采集适用于步态识别场景的行人样本数据，并通过yolov5框架进行训练，形成行人目标检测模型；
待识别数据运动目标检测模块，用于采集待识别数据；对待识别数据进行目标检测，对检测到的目标进行跟踪，对跟踪的输出进行运动目标检测；
步态识别序列输出模块，用于对待分割步态序列筛选；对待分割序列每一帧图像进行行人质量验证；输出步态识别序列。
其中，对于本实施公开的的行人目标检测模型训练模块、待识别数据运动目标检测模块、步态识别序列输出模块具体的工作流程已在上述一种基于深度学习的步态识别序列获取方法中进行了详细描述，再此不在进行赘述。
本发明公开的一种基于深度学习的步态识别序列获取方法，包括：采集适用于步态识别场景的行人样本数据，行人样本数据包括正样本和负样本；训练行人目标检测模型；采集待识别数据；对待识别数据进行目标检测；对检测到的目标进行跟踪；对跟踪的输出进行运动目标检测；对待分割步态序列进行筛选；对待分割序列每一帧图像进行行人质量验证；输出步态识别序列。本发明公开的一个适用于步态识别场景的目标检测方法和***，有效地过滤掉了无效的步态帧数据；本发明对跟踪输出进行运动目标检测，过滤掉了静止目标；本发明对待分割步态序列进行筛选和行人质量验证，保证了步态序列的合理性、有效性，极大地提高了步态识别的精度。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个***所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。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或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，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。当然，存储介质也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ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (10)
1.一种基于深度学习的步态识别序列获取方法，其特征在于，包括：
S100.采集适用于步态识别场景的行人样本数据，行人样本数据包括正样本和负样本；
S200.训练行人目标检测模型；
S300.采集待识别数据；
S400.对待识别数据进行目标检测；
S500.对检测到的目标进行跟踪；
S600.对跟踪的输出进行运动目标检测；
S700.对待分割步态序列进行筛选；
S800.对待分割序列每一帧图像进行行人质量验证；
S900.输出步态识别序列。
2.如权利要求1所述的一种基于深度学习的步态识别序列获取方法，其特征在于，S100中，采集适用于步态识别场景的行人样本数据，具体包括：
S101.采集视频监控场景下行人检测正样本数据，并进行分类标注；
S102.采集视频监控场景下行人检检测负样本数据，并进行分类标注。
3.如权利要求1所述的一种基于深度学习的步态识别序列获取方法，其特征在于，S200中，训练行人目标检测模型，具体包括：
S201.将采集的样本数据制作成VOC数据集的格式；
S202.通过yolov5框架训练行人目标检测模型。
4.如权利要求1所述的一种基于深度学习的步态识别序列获取方法，其特征在于，S300中，采集待识别数据，具体包括：
S301.通过采集本地视频文件，作为离线待识别数据；
S302.通过采集监控摄像头实时视频数据，作为实时待识别数据；
S303.通过采集监控摄像头历史录像数据，作为录像待识别数据。
5.如权利要求1所述的一种基于深度学习的步态识别序列获取方法，其特征在于，S400中，对待识别数据进行目标检测，具体包括：
S401.加载待识别数据；
S402.加载已训练好的基于yolov5的行人目标检测算法模型；
S403.通过行人目标检测算法对待识别数据进行检测；
S404.返回检测结果。
6.如权利要求1所述的一种基于深度学习的步态识别序列获取方法，其特征在于，S500中，对检测到的目标进行跟踪，具体包括：
S501.输入检测环节输出的检测结果；
S502.通过kcf算法进行目标跟踪；
S503.返回跟踪结果。
7.如权利要求1所述的一种基于深度学习的步态识别序列获取方法，其特征在于，S600中，对跟踪的输出进行运动目标检测，具体包括：
S601.输入kcf跟踪返回的结果；
S602.获取视频帧输入数据信息；
S603.获取视频前景图；
S604.获取目标框数据；
S605.获取目标框中所含前景点数量；
S606.获取目标框中前景百分比；
S607.返回运动目标检测结果。
8.如权利要求1所述的一种基于深度学习的步态识别序列获取方法，其特征在于，S700中，对待分割步态序列进行筛选，具体包括：
S701.输入运动目标检测后输出的行人序列，其中序列数为S；
S702.设定最小步态序列数N，最大步态序列数M；
S703.确定选择序列索引编号，设定开始索引SI＝0,结束索引EI＝0，如果S>M，则SI＝(S-M)/2，EI＝SI+(M/2)-1；如果S<M，则SI＝0,EI＝S-1；
S704.根据选择的索引编号，确定初始待分割序列L0；
S705.设定每一帧图像数据高宽比阈值为T；
S706.依次计算分割序列L0中每一帧数据数据的宽高比，与阈值T比较，小于T的舍弃；
S707.输出待分割步态序列。
9.如权利要求1所述的一种基于深度学习的步态识别序列获取方法，其特征在于，S800中，对待分割序列每一帧图像进行行人质量验证，具体包括：
S801.加载待分割步态序列；
S802.选择序列中帧目标置信度最高的一个目标K，设定得分为score1；
S803.加载离线训练好的行人重识别ReID模型；
S804.计算目标K的行人特征；
S805.通过加载的ReID模型依次计算输入序列中其他帧数据目标的行人特征；
S806.设定目标比对阈值为L；
S807.计算目标K与其他帧数据目标的相似度；
S808.将计算得到相似度与阈值L比较，小于L的序列舍弃掉；
S809.输出待识别步态序列。
10.一种基于深度学习的步态识别序列获取***，其特征在于，包括：行人目标检测模型训练模块、待识别数据运动目标检测模块、步态识别序列输出模块；其中：
行人目标检测模型训练模块，用于采集适用于步态识别场景的行人样本数据，并通过yolov5框架进行训练，形成行人目标检测模型；
待识别数据运动目标检测模块，用于采集待识别数据；对待识别数据进行目标检测，对检测到的目标进行跟踪，对跟踪的输出进行运动目标检测；
步态识别序列输出模块，用于对待分割步态序列筛选；对待分割序列每一帧图像进行行人质量验证；输出步态识别序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111203193.7A CN113963437A (zh) | 2021-10-15 | 2021-10-15 | 一种基于深度学习的步态识别序列获取方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111203193.7A CN113963437A (zh) | 2021-10-15 | 2021-10-15 | 一种基于深度学习的步态识别序列获取方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113963437A true CN113963437A (zh) | 2022-01-21 |
Family
ID=79464204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111203193.7A Pending CN113963437A (zh) | 2021-10-15 | 2021-10-15 | 一种基于深度学习的步态识别序列获取方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113963437A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115019206A (zh) * | 2022-06-13 | 2022-09-06 | 北京拙河科技有限公司 | 一种飞机起落环境安全检测方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016065534A1 (zh) * | 2014-10-28 | 2016-05-06 | 中国科学院自动化研究所 | 一种基于深度学习的歩态识别方法 |
| CN109271888A (zh) * | 2018-08-29 | 2019-01-25 | 汉王科技股份有限公司 | 基于步态的身份识别方法、装置、电子设备 |
| CN109766838A (zh) * | 2019-01-11 | 2019-05-17 | 哈尔滨工程大学 | 一种基于卷积神经网络的步态周期检测方法 |
| CN109784206A (zh) * | 2018-12-25 | 2019-05-21 | 杭州电子科技大学 | 一种基于超限学习机的步态识别方法 |
| CN110706259A (zh) * | 2019-10-12 | 2020-01-17 | 四川航天神坤科技有限公司 | 一种基于空间约束的可疑人员跨镜头追踪方法及装置 |
| CN111833372A (zh) * | 2020-07-23 | 2020-10-27 | 浙江大华技术股份有限公司 | 一种前景目标提取方法及装置 |
| CN112733814A (zh) * | 2021-03-30 | 2021-04-30 | 上海闪马智能科技有限公司 | 一种基于深度学习的行人徘徊滞留检测方法、***及介质 |
-
2021
- 2021-10-15 CN CN202111203193.7A patent/CN113963437A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016065534A1 (zh) * | 2014-10-28 | 2016-05-06 | 中国科学院自动化研究所 | 一种基于深度学习的歩态识别方法 |
| CN109271888A (zh) * | 2018-08-29 | 2019-01-25 | 汉王科技股份有限公司 | 基于步态的身份识别方法、装置、电子设备 |
| CN109784206A (zh) * | 2018-12-25 | 2019-05-21 | 杭州电子科技大学 | 一种基于超限学习机的步态识别方法 |
| CN109766838A (zh) * | 2019-01-11 | 2019-05-17 | 哈尔滨工程大学 | 一种基于卷积神经网络的步态周期检测方法 |
| CN110706259A (zh) * | 2019-10-12 | 2020-01-17 | 四川航天神坤科技有限公司 | 一种基于空间约束的可疑人员跨镜头追踪方法及装置 |
| CN111833372A (zh) * | 2020-07-23 | 2020-10-27 | 浙江大华技术股份有限公司 | 一种前景目标提取方法及装置 |
| CN112733814A (zh) * | 2021-03-30 | 2021-04-30 | 上海闪马智能科技有限公司 | 一种基于深度学习的行人徘徊滞留检测方法、***及介质 |
Non-Patent Citations (6)
| Title |
|---|
| 廖嘉城，梁艳: "视频监控场景下基于单视角步态的人体身份及属性识别***", 《计算机***应用》, no. 8, 15 August 2020 (2020-08-15), pages 113 - 120 * |
| 张云佐: "时空域视频运动片段分割理论及应用", 30 June 2020, 北京理工大学出版社, pages: 122 * |
| 李占利，李洪安: "智能视频分析与步态识别", 31 July 2020, 西安电子科技大学出版社, pages: 127 * |
| 王媛媛;王斌;: "人体行为识别的条件随机场方法", 重庆理工大学学报(自然科学), no. 06, 15 June 2013 (2013-06-15) * |
| 邵佳耀;宋春林;: "基于步态识别的跨摄像头行人再识别算法研究", 信息技术与信息化, no. 12, 25 December 2019 (2019-12-25) * |
| 郭建林;高原;: "基于视频的步态特征提取技术及其应用", 电脑知识与技术, no. 2, 25 November 2008 (2008-11-25) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115019206A (zh) * | 2022-06-13 | 2022-09-06 | 北京拙河科技有限公司 | 一种飞机起落环境安全检测方法及*** |
| CN115019206B (zh) * | 2022-06-13 | 2023-02-03 | 北京拙河科技有限公司 | 一种飞机起落环境安全检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108352072B (zh) | 物体跟踪方法、物体跟踪装置以及记录介质 | |
| Tubaiz et al. | Glove-based continuous Arabic sign language recognition in user-dependent mode | |
| CN107516321B (zh) | 一种视频多目标跟踪方法及装置 | |
| CN110084836B (zh) | 基于深度卷积特征分层响应融合的目标跟踪方法 | |
| CN111104867B (zh) | 基于部件分割的识别模型训练、车辆重识别方法及装置 | |
| CN109948616B (zh) | 图像检测方法、装置、电子设备及计算机可读存储介质 | |
| CN111797709B (zh) | 一种基于回归检测的实时动态手势轨迹识别方法 | |
| CN109740609B (zh) | 一种轨距检测方法及装置 | |
| CN111027347A (zh) | 一种视频识别方法、装置和计算机设备 | |
| CN113963437A (zh) | 一种基于深度学习的步态识别序列获取方法和*** | |
| CN112904359A (zh) | 基于远程激光探测与测量的速度估计 | |
| CN112613617A (zh) | 基于回归模型的不确定性估计方法和装置 | |
| CN114170212A (zh) | 一种基于ct影像中肺小结节假阳检测方法及*** | |
| KR20200036079A (ko) | 적응적 비최대억제 방법을 이용하는 딥러닝기반 영상객체 탐지를 위한 장치 및 방법 | |
| CN112749727A (zh) | 本地服务器、影像辨识***及其更新方法 | |
| CN107369149B (zh) | 目标物体的检测装置及方法 | |
| CN112560856B (zh) | 车牌检测识别方法、装置、设备及存储介质 | |
| CN117690057A (zh) | 一种目标工作状态的识别方法及装置 | |
| CN110837760A (zh) | 目标检测方法、用于目标检测的训练方法和装置 | |
| JP7384158B2 (ja) | 画像処理装置、移動装置、および方法、並びにプログラム | |
| CN111428589A (zh) | 一种渐变转场的识别方法及*** | |
| CN116152714A (zh) | 目标跟踪方法、***及电子设备 | |
| CN113761981B (zh) | 一种自动驾驶视觉感知方法、装置及存储介质 | |
| CN111860100B (zh) | 行人数量的确定方法、装置、电子设备及可读存储介质 | |
| CN111417981A (zh) | 一种图像清晰度检测方法及装置 |
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 |