-
公开(公告)号：CN113610046A
公开(公告)日：2021-11-05
申请号：CN202110968288.1
申请日：2021-08-23
Applicant: 苏州大学
Abstract: 本发明涉及一种基于深度视频联动特征的行为识别方法，包括以下步骤：将每个行为样本的深度视频进行正面、右侧面、左侧面和顶面投影，获得相应的投影序列；通过计算每个投影序列的动态图像，获得每个行为样本的动态图像；将每个行为样本的动态图像输入各自的特征提取模块并提取特征；将提取的特征输入多投影联动特征提取模块并提取各投影组合的联动特征；按通道连接提取到的所有联动特征，并将连接后的特征输入平均池化层和全连接层；构造基于深度视频联动特征的行为识别网络；将每个训练行为样本的深度视频输入基于深度视频联动特征的行为识别网络，训练网络至收敛；将每个待测试行为样本的深度视频输入训练好的行为识别网络，实现行为识别。
-
公开(公告)号：CN110119707B
公开(公告)日：2021-02-02
申请号：CN201910387635.4
申请日：2019-05-10
Applicant: 苏州大学
Abstract: 本发明提出一种人体动作识别方法，提取动作样本每个骨骼关节点在相邻帧之间的运动作为该动作样本的动态特征；对动态特征进行空间多尺度划分，得到各个子特征集；对于每个子特征集，将同一帧所有骨骼关节点的运动特征组成向量；提取所有训练样本的该子特征集的帧特征向量，进行聚类，得到聚类中心；将动作样本所有帧的特征向量输入至各个子特征集构建的概率分布神经元，累加每个概率分布神经元上的所有输出，得到直方图表达；对该子特征集进行时间多尺度划分，得到时间多尺度直方图；组成时空多尺度软量化直方图；构成时空多尺度软量化网络；训练时空多尺度软量化网络，将测试样本输入至训练好的网络模型中，实现动作识别。
-
公开(公告)号：CN110070068A
公开(公告)日：2019-07-30
申请号：CN201910361909.2
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种人体动作识别方法，包括对人体骨骼关节点的三维坐标数据进行特征提取；将所有的特征向量分到与之最近的聚类中心形成各个簇；计算各个簇的多元高斯分布函数的参数，得到各个簇的多元高斯分布概率密度函数；计算每一特征向量在各个簇的多元高斯概率密度值，重新分配至概率密度最大的簇中；更新高斯分布参数，重新分配各特征向量，直到每个特征向量的分配不再改变；计算各个动作类型对每个簇的隶属度，得到对所有簇的隶属度向量，对每个簇的隶属度向量进行加权；将动作样本每一帧的特征向量分到最近的若干个簇中，对加权隶属度向量加权求和，作为该帧的得分向量；对动作样本所有帧的得分向量求和，判断该动作属于得分最高的动作类型。
-
公开(公告)号：CN108764262A
公开(公告)日：2018-11-06
申请号：CN201810556686.0
申请日：2018-05-31
Applicant: 苏州大学
CPC classification number: G06K9/4671 , G06K9/6223
Abstract: 本发明公开了一种共生图像模式挖掘方法，包括如下步骤：（1）利用SIFT算法提取图像中的视觉基元；（2）利用语境感知聚类将视觉基元聚类成语境相似组；（3）利用空间聚类将语境相似组分成对象组；（4）合并匹配模式，圈定对象组；（5）对每个对象组进行SVD‑SIFT检测；（6）在双层过滤规则下筛选出有意义的共生模式；（7）限定框精修。本发明能快速，准确的发现图片中的共生视觉模式，以便于后续的视觉任务。
-
公开(公告)号：CN108681700A
公开(公告)日：2018-10-19
申请号：CN201810421670.9
申请日：2018-05-04
Applicant: 苏州大学
IPC: G06K9/00
CPC classification number: G06K9/00335
Abstract: 本发明公开了一种复杂行为识别方法，包括：利用传感器获取目标运动的三维骨骼关节点信息；对关节点信息预处理，归一化坐标系；提取每个关节点的运动轨迹，投影至三个二维平面；提取每两帧间的运动向量及其长度和方向角，用k‑means算法聚类得到运动基元，统计得到直方图；利用时间金字塔结合时间信息，结合所有直方图的各个簇的值，计算各关节点的权重，形成描述符；用SVM分类，实现动作识别。本发明可以对动作骨骼关节点信息进行特征的提取和有效表示，提高动作识别的准确率；所有的运动信息被完整保留，可以进行动作重建；对所有动作类进行聚类，从全局上捕捉人类动作特征；使用低级别特征，降低了计算难度，提高动作识别效率，满足系统的实时性要求。
-
Patent Agency Ranking
公开(公告)号：CN106022227A
公开(公告)日：2016-10-12
申请号：CN201610309633.X
申请日：2016-05-11
Applicant: 苏州大学
CPC classification number: G06K9/00389 , G06K9/40 , G06K9/4604 , G06K2009/00395
Abstract: 本发明公开了一种手势识别方法，包括：获取待识别手势的形状，并由手势形状的边缘提取一个封闭的轮廓，获取该轮廓上的所有轮廓点及每个轮廓点的坐标；确定轮廓的层数，并基于每个轮廓点的坐标计算每个轮廓点对应于每层的面积参数、弧长参数及重心参数，作为该轮廓点的特征参数；利用每个轮廓点的特征参数，将所述待识别手势与预设模版库中的模板进行匹配，得到最佳匹配模板，并确定最佳匹配模板为待识别手势。本发明同时对全局特征、局部特征及全局特征与局部特征之间的关系进行描述，多尺度、全方位地进行分析表述，实现了对待识别手势形状的全局特征和局部特征的有效提取和表示，避免了基于单一特征导致的识别准确率低的情况。
-
公开(公告)号：CN105303192A
公开(公告)日：2016-02-03
申请号：CN201510566612.1
申请日：2015-09-08
Applicant: 苏州大学张家港工业技术研究院
CPC classification number: G06K9/6204 , G06K9/4604
Abstract: 本申请提供了一种基于混合描述子的形状匹配方法，获取目标形状的边缘，得到所述目标形状的边界轮廓点；计算每个所述边界轮廓点的混合描述子；根据所述目标形状中所有边界轮廓点的混合描述子，计算所述目标形状与数据库中各个模板形状的匹配度值；根据各个所述匹配度值，确定与所述目标形状相匹配的模板形状。本发明计算每个边界轮廓点的混合描述子，并根据目标形状中所有边界轮廓点的混合描述子，计算所述目标形状与数据库中各个模板形状的匹配度值，可以对图像形状进行特征的提取和有效表示，具有尺度不变性、旋转不变性和平移不变性等优良性能，有效抑制了噪声的干扰，从而提高了形状匹配的准确率和效率。
-
公开(公告)号：CN104361600A
公开(公告)日：2015-02-18
申请号：CN201410687341.0
申请日：2014-11-25
Applicant: 苏州大学
CPC classification number: G06T2207/30241
Abstract: 本发明公开了一种运动识别方法及系统，包括：获取运动轨迹上的N个轨迹点；确定每个所述轨迹点的描述子，该描述子包括运动类别和尺度等级；对N个所述轨迹点的描述子进行排序，得到所述运动轨迹的描述子序列；利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型，以完成运动识别。上述技术方案达到了有效利用运动轨迹的特征信息，进而提高了识别精度和准确率。
-
公开(公告)号：CN111898621B
公开(公告)日：2023-09-05
申请号：CN202010777341.5
申请日：2020-08-05
Applicant: 苏州大学
IPC: G06V10/44 , G06V10/46 , G06V10/82 , G06V10/75 , G06V10/774 , G06N3/0464 , G06T7/62 , G06T7/90 , G06F17/16
Abstract: 本发明提出一种轮廓形状识别方法，抽样提取形状样本的轮廓显著特征点；使用三种形状描述子，计算形状样本在半全局尺度中的特征函数；以单像素为间距划分尺度，得到全尺度空间下的形状特征函数；将各个尺度下的特征函数值存入矩阵，得到全尺度空间下形状样本三种特征的灰度图表达；将该形状样本的三种灰度图表达作为RGB三个通道合成一张彩色特征表达图像；将该形状样本与特征表达图像同时作为输入，构成双流卷积神经网络；训练双流卷积神经网络，将测试样本输入至训练好的网络模型中，实现形状分类。
-
公开(公告)号：CN113191361B
公开(公告)日：2023-08-01
申请号：CN202110418108.2
申请日：2021-04-19
Applicant: 苏州大学
IPC: G06V10/26 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种形状识别方法，提取形状样本的轮廓关键点；定义各关键点处的近似偏置曲率值并判断关键点处的凹凸性，以获取候选分割点；调整曲率筛选阈值，得到形状分割点；计算最小分割代价进行形状分割，得到若干子形状部分；构建形状样本的拓扑结构；使用形状的全尺度可视化表示方法，得到对应子形状部分的特征表达图像；将各特征表达图像输入卷积神经网络进行训练，学习得到各子形状部分的特征向量；构造形状样本的特征矩阵；构建图卷积神经网络；训练图卷积神经网络，获取测试样本的特征矩阵和邻接矩阵，并输入至训练好的图卷积网络模型中，实现形状分类识别。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.025 seconds)
