JP2013175043A - 動作主識別方法、動作主識別システム、動作主識別プログラム及び情報記憶媒体 - Google Patents
動作主識別方法、動作主識別システム、動作主識別プログラム及び情報記憶媒体 Download PDFInfo
- Publication number
- JP2013175043A JP2013175043A JP2012039000A JP2012039000A JP2013175043A JP 2013175043 A JP2013175043 A JP 2013175043A JP 2012039000 A JP2012039000 A JP 2012039000A JP 2012039000 A JP2012039000 A JP 2012039000A JP 2013175043 A JP2013175043 A JP 2013175043A
- Authority
- JP
- Japan
- Prior art keywords
- data
- feature
- cluster
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000003860 storage Methods 0.000 title claims abstract description 31
- 230000033001 locomotion Effects 0.000 claims abstract description 195
- 239000013598 vector Substances 0.000 claims abstract description 112
- 230000009471 action Effects 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 62
- 238000006243 chemical reaction Methods 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000000513 principal component analysis Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 description 17
- 238000006073 displacement reaction Methods 0.000 description 11
- 210000001624 hip Anatomy 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000005483 Hooke's law Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
【解決手段】複数の動作主の所与の動作についてのモーションデータを取得し、サンプルとなるモーションデータに対して特徴ベクトルを生成し、特徴ベクトルより次元の低い自由度mの特徴データを生成し、サンプルデータとして動作主に関連づけて記憶部に記憶させ、サンプルデータを、動作主毎にクラスタ化して、m次元空間におけるクラスタの特徴点及び特徴関数のすくなくとも一方を含むクラスタ情報を求め、識別対象となる動作主のモーションデータを取得して生成した特徴ベクトルより次元の低い次元mの特徴データを生成してターゲットデータとし、m次元空間における当該ターゲットデータと各クラスタの特徴点及び特徴関数のすくなくとも一方に基づいてターゲットデータの特徴値を演算し、特徴値に基づき動作主を識別する動作主識別方法。
【選択図】図7
Description
また人間を認識する際には、腕の振り方や一歩の長さの代わりに、人間全体の速度、腰のバランス及び胴の姿勢等を総合的に解析することでより認識精度が高まると考えられているが、解析に使用するデータが多くなると、データ処理等の演算負荷がまし、リアルタイムに判定することが困難になるという問題点があった。
動作主を識別する方法であって、
サンプルとなるモーションデータとして、複数の動作主の所与の動作についてのモーションデータを取得するサンプルモーションデータ取得ステップと、
サンプルとなるモーションデータに対して第1のデータ変換処理を行い特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成し、サンプルデータとして動作主に関連づけて記憶部に記憶させるデータベース作成ステップと、
サンプルデータを、動作主毎にクラスタ化して、m次元空間におけるクラスタの特徴点及び特徴関数のすくなくとも一方を含むクラスタ情報を求めるクラスタ情報演算ステップと、
ターゲットとなるモーションデータとして、識別対象となる動作主のモーションデータを取得するターゲットモーションデータ取得ステップと、
ターゲットとなるモーションデータに対して第1のデータ変換処理を行い特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成してターゲットデータとし、m次元空間における当該ターゲットデータと各クラスタの特徴点及び特徴関数のすくなくとも一方に基づいてターゲットデータの特徴値を演算し、特徴値に基づき動作主を識別する動作主識別ステップと、を含む動作主識別方法に関する。
動作主を識別する動作主識別システムであって、
サンプルとなるモーションデータに対して、第1のデータ変換処理を行い、特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成し、サンプルデータとして動作主に関連づけて記憶部に記憶させるデータベース作成部と、
サンプルデータを、動作主毎にクラスタ化して、m次元空間におけるクラスタの特徴点及び特徴関数のすくなくとも一方を含むクラスタ情報を求めるクラスタ情報演算部と、 ターゲットとなるモーションデータに対して第1のデータ変換処理を行い、特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成してターゲットデータとし、m次元空間における当該ターゲットデータと各クラスタの特徴点及び特徴関数のすくなくとも一方に基づいてターゲットデータの特徴値を演算し、特徴値に基づき動作主を識別する動作主識別部と、を含む動作主識別システムに関する。
動作主を識別する動作主識別システムであって、
サンプルとなるモーションデータに対して第1のデータ変換処理を行い生成された特徴ベクトルに対して第2のデータ変換処理を行い生成された、当該特徴ベクトルより次元の低い次元mの特徴データが、サンプルデータとして動作主に関連づけて記憶されているサンプルデータ記憶部と、
サンプルデータを、動作主毎にクラスタ化して、m次元空間におけるクラスタの特徴点及び特徴関数のすくなくとも一方を含むクラスタ情報を求めるクラスタ情報演算部と、
ターゲットとなるモーションデータに対して第1のデータ変換処理を行い、特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成してターゲットデータとし、m次元空間における当該ターゲットデータと各クラスタの特徴点及び特徴関数のすくなくとも一方に基づいてターゲットデータの特徴値を演算し、特徴値に基づき動作主を識別する動作主識別部と、を含む動作主識別システムに関する。
動作主識別システムは、ターゲットとなるモーションデータとして、識別対象となる動作主のモーションデータを取得するターゲットモーションデータ取得部をふくんでもよい。
前記動作主識別ステップ、又は前記動作主識別部は、
前記ターゲットデータとクラスタの特徴点に基づき求めた第1の特徴値及び前記ターゲットデータと特徴関数に基づき求めた第2の特徴値に重み付けを行い、当該ターゲットデータの特徴値を演算してもよい。
前記動作主識別ステップ、又は前記動作主識別部は、
前記クラスタのサンプルデータの分布状態に基づき第1の特徴値と第2の特徴値に対する重み付けの比重を決定して当該ターゲットデータの特徴値を演算してもよい。
前記第1のデータ変換処理として、所与の時間差を有する少なくとも2つのモーションデータを用いて特徴ベクトルを生成してもよい。
前記第2のデータ変換処理として、特徴ベクトルに対して主成分分析を行い、特徴データを生成してもよい。
前記クラスタ情報演算ステップ、又は前記クラスタ情報演算部は、
各クラスタのサンプルデータに対して最小二乗法を用いて近似直線を求め各クラスタの特徴関数としてもよい。
動作主は人間であり、所与の動作は歩行でもよい。
前記サンプルモーションデータ取得ステップ、又は前記サンプルモーションデータ取得部は、
前記サンプルとなるモーションデータとして、前記複数の動作主の腰又は腰から所定範囲内にある部位のモーションデータを取得し、
前記ターゲットモーションデータ取得ステップ、前記ターゲットモーションデータ取得部は、
前記ターゲットとなるモーションデータとして、識別対象となる前記動作主の腰又は腰から所定範囲内にある部位のモーションデータを取得してもよい。
前記mは2又は3でもよい。
1.1 概要
本実施の形態のモーションデータを用いて動作主を識別する方法について説明する。
図1は、サンプルデータのデータベース作成の流れについて説明するフローチャートである。
モーションデータは、動作主の所定の部位の動きを表すデータであればよい。例えば動作主の所定の部位の変位加速度(例えば3軸の変位加速度でもよい)や、回転速度又は角速度(例えば3軸の回転速度又は角速度でもよい)を取得し、モーションデータとしてもよい。
IMUは3軸の角速度と加速度を検出するセンサである。3軸のジャイロと3方向の加速度計によって、3次元の角速度と加速度が求められる。ジャイロの原理は主に慣性とプリセッション、コリオリの力、サニャック効果の3つである。コリオリの力とは、「速度を持ったものに角速度が印加されると、速度と角速度がともに直交する方向に生ずる力」のことである。例えば質量mがX軸方向に振動速度で振動している状態で角速度が印加されると、コリオリの力がY軸方向に発生し振動が起きる。この振動振幅は角速度に比例するので振幅を検出することで、入力角速度を計測することができる。また、加速度は重りの変位量からフックの法則により求められる。
次にモーションデータに対して第1のデータ変換処理を行い特徴ベクトルを生成する手法について説明する。
モーションデータの自由度をnとすると、モーションデータに対して第2の変換処理を行い生成する特徴データの次元はm(n>m)である。例えば第2の変換処理として、モーションデータに対し主成分分析(PCA;Principal Component Analysis)等を行い、モーションデータより次元の低い特徴データを生成してもよい。
(1)時系列データの自己相関による共分散行列を求める
(2)共分散行列から特徴ベクトルを求める
(3)特徴ベクトルが構成した行列の左特異行列とそれに対応する特異値を求める
(4)特異値の大きい順に主成分の順番を決める
(5)各主成分の向きはそれぞれが対応している左特異値行列の列ベクトルで決まる
図8は、サンプルデータのデータベースの例について説明するための図である。
本実施の形態ではクラスタ分析の手法を用いて動作主の識別を行う。クラスタ分析又はクラスタリングとは、分類対象の集合を、内的結合と外的分離が達成されるような部分集合に分割することである。
図7は、動作主識別処理の流れを示すフローチャートである。
2.1 動作主識別システムの構成
図13は、本実施の形態の動作主識別システムの機能ブロック図の一例である。
図16は、サーバと端末(動作主識別装置)を含むネットワークシステム100として実現された動作主識別システムを示す。ネットワークシステム100は、複数の端末110A、110B、110C、・・とサーバ120とによって構成される。図16に示すように、本実施形態のネットワークシステム100は、サーバ120と、端末110A、110B、110C、・・・とがネットワーク130に接続可能に構成されている。
施の形態で説明した構成と同一の作用効果を奏する構成又は同一の目的を達成することができる構成を含む。また、本発明は、実施の形態で説明した構成に公知技術を付加した構成を含む。
Claims (22)
- 動作主を識別する方法であって、
サンプルとなるモーションデータとして、複数の動作主の所与の動作についてのモーションデータを取得するサンプルモーションデータ取得ステップと、
サンプルとなるモーションデータに対して第1のデータ変換処理を行い特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより自由度の低い自由度mの特徴データを生成し、サンプルデータとして動作主に関連づけて記憶部に記憶させるデータベース作成ステップと、
サンプルデータを、動作主毎にクラスタ化して、m次元空間におけるクラスタの特徴点及び特徴関数のすくなくとも一方を含むクラスタ情報を求めるクラスタ情報演算ステップと、
ターゲットとなるモーションデータとして、識別対象となる動作主のモーションデータを取得するターゲットモーションデータ取得ステップと、
ターゲットとなるモーションデータに対して第1のデータ変換処理を行い、特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成してターゲットデータとし、m次元空間における当該ターゲットデータと各クラスタの特徴点及び特徴関数のすくなくとも一方に基づいてターゲットデータの特徴値を演算し、特徴値に基づき動作主を識別する動作主識別ステップと、を含む動作主識別方法。 - 請求項1において、
前記動作主識別ステップにおいて、
前記ターゲットデータとクラスタの特徴点に基づき求めた第1の特徴値及び前記ターゲットデータと特徴関数に基づき求めた第2の特徴値に重み付けを行い、当該ターゲットデータの特徴値を演算することを特徴とする動作主識別方法。 - 請求項2において、
前記動作主識別ステップにおいて、
前記クラスタのサンプルデータの分布状態に基づき第1の特徴値と第2の特徴値に対する重み付けの比重を決定して当該ターゲットデータの特徴値を演算することを特徴とする動作主識別方法。 - 請求項1乃至3のいずれかにおいて、
前記第1のデータ変換処理として、所与の時間差を有する少なくとも2つのモーションデータを用いて特徴ベクトルを生成することを特徴とする動作主識別方法。 - 請求項1乃至4のいずれかにおいて、
前記第2のデータ変換処理として、特徴ベクトルに対して主成分分析を行い、特徴データを生成することを特徴とする動作主識別方法。 - 請求項1乃至5のいずれかにおいて、
前記クラスタ情報演算ステップにおいて、
各クラスタのサンプルデータに対して最小二乗法を用いて近似直線を求め各クラスタの特徴関数とすることを特徴とする動作主識別方法。 - 請求項1乃至6のいずれかにおいて、
動作主は人間であり、所与の動作は歩行であることを特徴とする動作主識別方法。 - 請求項7において、
前記サンプルモーションデータ取得ステップにおいて、
前記サンプルとなるモーションデータとして、前記複数の動作主の腰又は腰から所定範囲内にある部位のモーションデータを取得し、
前記ターゲットモーションデータ取得ステップにおいて、
前記ターゲットとなるモーションデータとして、識別対象となる前記動作主の腰又は腰から所定範囲内にある部位のモーションデータを取得することを特徴とする動作主識別方法。 - 請求項1乃至8のいずれかにおいて、
前記mは2又は3であることを特徴とする動作主識別方法。 - 動作主を識別する動作主識別システムであって、
サンプルとなるモーションデータに対して、第1のデータ変換処理を行い特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより自由度の低い自由度mの特徴データを生成し、サンプルデータとして動作主に関連づけて記憶部に記憶させるデータベース作成部と、
サンプルデータを、動作主毎にクラスタ化して、m次元空間におけるクラスタの特徴点及び特徴関数のすくなくとも一方を含むクラスタ情報を求めるクラスタ情報演算部と、
ターゲットとなるモーションデータに対して第1のデータ変換処理を行い、特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成してターゲットデータとし、m次元空間における当該ターゲットデータと各クラスタの特徴点及び特徴関数のすくなくとも一方に基づいてターゲットデータの特徴値を演算し、特徴値に基づき動作主を識別する動作主識別部と、を含む動作主識別システム。 - 動作主を識別する動作主識別システムであって、
サンプルとなるモーションデータに対して第1のデータ変換処理を行い生成された特徴ベクトルに対して第2のデータ変換処理を行い生成された、当該特徴ベクトルより次元の低い次元mの特徴データが、サンプルデータとして動作主に関連づけて記憶されているサンプルデータ記憶部と、
サンプルデータを、動作主毎にクラスタ化して、m次元空間におけるクラスタの特徴点及び特徴関数のすくなくとも一方を含むクラスタ情報を求めるクラスタ情報演算部と、
ターゲットとなるモーションデータに対して第1のデータ変換処理を行い特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成してターゲットデータとし、m次元空間における当該ターゲットデータと各クラスタの特徴点及び特徴関数のすくなくとも一方に基づいてターゲットデータの特徴値を演算し、特徴値に基づき動作主を識別する動作主識別部と、
を含む動作主識別システム。 - 請求項10又は11において、
前記動作主識別部は、
前記ターゲットデータとクラスタの特徴点に基づき求めた第1の特徴値及び前記ターゲットデータと特徴関数に基づき求めた第2の特徴値に重み付けを行い、当該ターゲットデータの特徴値を演算することを特徴とする動作主識別システム。 - 請求項12において、
前記動作主識別部は、
前記クラスタのサンプルデータの分布状態に基づき第1の特徴値と第2の特徴値に対する重み付けの比重を決定して当該ターゲットデータの特徴値を演算することを特徴とする動作主識別システム。 - 請求項10乃至13のいずれかにおいて、
前記第1のデータ変換処理として、所与の時間差を有する少なくとも2つのモーションデータを用いて特徴ベクトルを生成することを特徴とする動作主識別システム。 - 請求項10乃至14のいずれかにおいて、
前記第2のデータ変換処理として、特徴ベクトルに対して主成分分析を行い、特徴データを生成することを特徴とする動作主識別システム。 - 請求項10乃至15のいずれかにおいて、
前記クラスタ情報演算部は、
各クラスタのサンプルデータに対して最小二乗法を用いて近似直線を求め各クラスタの特徴関数とすることを特徴とする動作主識別システム。 - 請求項10乃至16のいずれかにおいて、
動作主は人間であり、所与の動作は歩行であることを特徴とする動作主識別システム。 - 請求項17において、
サンプルとなるモーションデータとして、複数の動作主の所与の動作についてのモーションデータを取得するサンプルモーションデータ取得部と、
ターゲットとなるモーションデータとして、識別対象となる動作主のモーションデータを取得するターゲットモーションデータ取得部と、をさらに含み、
前記サンプルモーションデータ取得部は、
前記サンプルとなるモーションデータとして、前記複数の動作主の腰又は腰から所定範囲内にある部位のモーションデータを取得し、
前記ターゲットモーションデータ取得部は、
前記ターゲットとなるモーションデータとして、識別対象となる前記動作主の腰又は腰から所定範囲内にある部位のモーションデータを取得することを特徴とする動作主識別システム。 - 請求項10乃至18のいずれかにおいて、
前記mは2又は3であることを特徴とする動作主識別システム。 - コンピュータを用いて動作主を識別するためのプログラムであって、
サンプルとなるモーションデータに対して、第1のデータ変換処理を行い特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成し、サンプルデータとして動作主に関連づけて記憶部に記憶させるデータベース作成部と、
サンプルデータを、動作主毎にクラスタ化して、m次元空間におけるクラスタの特徴点及び特徴関数のすくなくとも一方を含むクラスタ情報を求めるクラスタ情報演算部と、
ターゲットとなるモーションデータに対して第1のデータ変換処理を行い特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成してターゲットデータとし、m次元空間における当該ターゲットデータと各クラスタの特徴点及び特徴関数のすくなくとも一方に基づいてターゲットデータの特徴値を演算し、特徴値に基づき動作主を識別する動作主識別部と、
してコンピュータを機能させるプログラム。 - コンピュータを用いて動作主を識別するためのプログラムであって、
サンプルとなるモーションデータに対して第1のデータ変換処理を行い生成された特徴ベクトルに対して第2のデータ変換処理を行い生成された、当該特徴ベクトルより次元の低い次元mの特徴データが、サンプルデータとして動作主に関連づけて記憶されているサンプルデータ記憶部と、
サンプルデータを動作主毎にクラスタ化して、m次元空間におけるクラスタの特徴点及び特徴関数のすくなくとも一方を含むクラスタ情報を求めるクラスタ情報演算部と、
ターゲットとなるモーションデータに対して第1のデータ変換処理を行い特徴ベクトルを生成し、当該特徴ベクトルに対して第2のデータ変換処理を行い当該特徴ベクトルより次元の低い次元mの特徴データを生成してターゲットデータとし、m次元空間における当該ターゲットデータと各クラスタの特徴点及び特徴関数のすくなくとも一方に基づいてターゲットデータの特徴値を演算し、特徴値に基づき動作主を識別する動作主識別部と、
してコンピュータを機能させるプログラム。 - コンピュータが読み取り可能な情報記憶媒体であって、請求項20又は21に記載のプログラムが記憶されている情報記憶媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012039000A JP5936038B2 (ja) | 2012-02-24 | 2012-02-24 | 動作主識別方法、動作主識別システム、動作主識別プログラム及び情報記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012039000A JP5936038B2 (ja) | 2012-02-24 | 2012-02-24 | 動作主識別方法、動作主識別システム、動作主識別プログラム及び情報記憶媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013175043A true JP2013175043A (ja) | 2013-09-05 |
JP5936038B2 JP5936038B2 (ja) | 2016-06-15 |
Family
ID=49267890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012039000A Expired - Fee Related JP5936038B2 (ja) | 2012-02-24 | 2012-02-24 | 動作主識別方法、動作主識別システム、動作主識別プログラム及び情報記憶媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5936038B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018026018A (ja) * | 2016-08-10 | 2018-02-15 | 公立大学法人大阪市立大学 | 歩容解析装置 |
CN112084852A (zh) * | 2020-08-04 | 2020-12-15 | 河海大学 | 一种基于数据融合的人体轨迹相似行为识别方法 |
JP2021518965A (ja) * | 2018-09-19 | 2021-08-05 | ブイタッチ・カンパニー・リミテッド | 客体の制御を支援するための方法、システムおよび非一過性のコンピュータ読み取り可能記録媒体 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0433066A (ja) * | 1990-05-24 | 1992-02-04 | Nippon Telegr & Teleph Corp <Ntt> | 個人識別装置 |
JP2008191754A (ja) * | 2007-02-01 | 2008-08-21 | National Institute Of Advanced Industrial & Technology | 異常検出装置および異常検出方法 |
JP2008287594A (ja) * | 2007-05-18 | 2008-11-27 | Nippon Hoso Kyokai <Nhk> | 特定動作判定装置、リファレンスデータ生成装置、特定動作判定プログラム及びリファレンスデータ生成プログラム |
-
2012
- 2012-02-24 JP JP2012039000A patent/JP5936038B2/ja not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0433066A (ja) * | 1990-05-24 | 1992-02-04 | Nippon Telegr & Teleph Corp <Ntt> | 個人識別装置 |
JP2008191754A (ja) * | 2007-02-01 | 2008-08-21 | National Institute Of Advanced Industrial & Technology | 異常検出装置および異常検出方法 |
JP2008287594A (ja) * | 2007-05-18 | 2008-11-27 | Nippon Hoso Kyokai <Nhk> | 特定動作判定装置、リファレンスデータ生成装置、特定動作判定プログラム及びリファレンスデータ生成プログラム |
Non-Patent Citations (2)
Title |
---|
JPN6015052721; 崔 雄、外2名: '"モーションキャプチャを用いた居合道の熟練度に関する定量化"' 情報処理学会研究報告 Vol.2008, No.100, 20081011, pp.39-44, 社団法人情報処理学会 * |
JPN6015052724; Zdenek Prochazka、外2名: '"顔の動き特徴量を用いた表情認識システム"' 電子情報通信学会技術研究報告 Vol.96, No.602, 19970318, pp.19-24, 社団法人電子情報通信学会 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018026018A (ja) * | 2016-08-10 | 2018-02-15 | 公立大学法人大阪市立大学 | 歩容解析装置 |
JP2021518965A (ja) * | 2018-09-19 | 2021-08-05 | ブイタッチ・カンパニー・リミテッド | 客体の制御を支援するための方法、システムおよび非一過性のコンピュータ読み取り可能記録媒体 |
JP7062833B2 (ja) | 2018-09-19 | 2022-05-06 | ブイタッチ・カンパニー・リミテッド | 客体の制御を支援するための方法、システムおよび非一過性のコンピュータ読み取り可能記録媒体 |
CN112084852A (zh) * | 2020-08-04 | 2020-12-15 | 河海大学 | 一种基于数据融合的人体轨迹相似行为识别方法 |
CN112084852B (zh) * | 2020-08-04 | 2022-08-26 | 河海大学 | 一种基于数据融合的人体轨迹相似行为识别方法 |
Also Published As
Publication number | Publication date |
---|---|
JP5936038B2 (ja) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Johnston et al. | Smartwatch-based biometric gait recognition | |
Chen et al. | Robust human activity recognition using smartphone sensors via CT-PCA and online SVM | |
Liu et al. | Real-time arm skeleton tracking and gesture inference tolerant to missing wearable sensors | |
Kwon et al. | Unsupervised learning for human activity recognition using smartphone sensors | |
EP2997895B1 (en) | Computer-implemented method and apparatus for recognizing gait task | |
Zhong et al. | Sensor orientation invariant mobile gait biometrics | |
Thiemjarus et al. | A study on instance-based learning with reduced training prototypes for device-context-independent activity recognition on a mobile phone | |
EP2892007A2 (en) | Static posture based person identification | |
Mondal et al. | Gait based personal identification system using rotation sensor | |
JP5936038B2 (ja) | 動作主識別方法、動作主識別システム、動作主識別プログラム及び情報記憶媒体 | |
Lateef et al. | Human activity recognition using smartwatch and smartphone: A review on methods, applications, and challenges | |
Vishwakarma et al. | Three‐dimensional human activity recognition by forming a movement polygon using posture skeletal data from depth sensor | |
Alrazzak et al. | A survey on human activity recognition using accelerometer sensor | |
KR102363879B1 (ko) | 환자의 상지 동작에 의해 도출되는 특징값을 이용한 임상평가척도 예측 방법 | |
Liu et al. | A lightweight double-channel depthwise separable convolutional neural network for multimodal fusion gait recognition | |
Zhang et al. | Fine-grained and real-time gesture recognition by using IMU sensors | |
JP7052604B2 (ja) | 業務推定方法、情報処理装置、及び業務推定プログラム | |
Hajjej et al. | Deep human motion detection and multi-features analysis for smart healthcare learning tools | |
Zeng et al. | Accelerometer-based gait recognition via deterministic learning | |
Ashry et al. | Improved IMU-based human activity recognition using hierarchical hmm dissimilarity | |
Guo et al. | Multimode pedestrian dead reckoning gait detection algorithm based on identification of pedestrian phone carrying position | |
Cheng et al. | A fall detection algorithm based on pattern recognition and human posture analysis | |
Kawsar et al. | Activity detection using time-delay embedding in multi-modal sensor system | |
Han et al. | HARF: A hierarchical activity recognition framework using smartphone sensors | |
Sangisetti et al. | Analysis on human activity recognition using machine learning algorithm and personal activity correlation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150219 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20151224 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160106 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160302 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160413 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160427 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5936038 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |