-
Patent Agency Ranking
公开(公告)号：CN107704924B
公开(公告)日：2020-05-19
申请号：CN201610602678.6
申请日：2016-07-27
Applicant: 中国科学院自动化研究所
IPC: G06N3/08
Abstract: 本发明公开了针对序列的同步自适应时空特征表达学习模型的构建方法及其相关的模型分析方法和行为识别方法。其中，该构建法包括首先将长短时记忆神经元输入及三个控制门的全连接替换为四组独立的滤波器，依次构建卷积递归神经元；然后，将X个CRN并行排列，构建卷积递归神经网络层；接着根据以下方式构建隐含层：各CRN的输出只存在向其自身基本单元的反馈连接，且各CRN之间不存在连接关系；再在卷积递归神经网络层和输入序列之间构建卷积层；最后，将Y个卷积递归神经网络层相堆叠，形成卷积递归神经网络，单个卷积递归神经网络层包含Z个子层。通过本发明实施例可以获取更具区分性的序列时空信息表达，而且无需复杂的预处理。
-
公开(公告)号：CN104615983B
公开(公告)日：2018-07-31
申请号：CN201510043587.9
申请日：2015-01-28
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开种基于递归神经网络的人体骨架运动序列行为识别方法,包括以下步骤:对已经提取好的人体骨架姿态序列中节点坐标进行归化,以消除人体所处绝对空间位置对识别过程的影响,利用简单平滑滤波器对骨架节点坐标滤波以提高信噪比,最后将平滑后的数据送入个层次化双向递归神经网络进行深度特征提取及识别,同时提供了种层次化单向递归神经网络模型以应对实际中的实时在线分析需求。该方法主要优点是根据人体结构特征及运动的相对性,设计端到端的分析模式,在实现高精度识别率的同时避免复杂的计算,便于实际应用。该发明对于基于深度摄像机技术的智能视频监控、智能交通管理及智慧城市等领域具有重要意义。
-
公开(公告)号：CN106203363A
公开(公告)日：2016-12-07
申请号：CN201610562181.6
申请日：2016-07-15
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/00342 , G06K9/46 , G06K9/468 , G06K9/6256 , G06N3/08
Abstract: 本发明公开了一种人体骨架运动序列行为识别方法。其中，该方法包括获取人体骨架节点坐标；将人体骨架各肢体对应的节点进行串接，形成四肢和躯干的运动特征表达；将四肢和躯干的运动特征表达进行串接，形成人体骨架的向量表达；将人体骨架运动序列中各帧所对应的向量表达，按照时间顺序排列，得到三维矩阵；对三维矩阵中的数值做归一化和维度归一化，得到人体骨架序列对应的图像表达；采用卷积神经网络来自适应地提取图像表达中的纹理特征表达；基于该纹理特征表达进行行为类别判定，并以投票的方式确定人体骨架序列所属的行为类别。本发明实施例无需复杂的数据预处理，即可根据人体骨架坐标序列对人的行为进行精确识别。
-
公开(公告)号：CN107704924A
公开(公告)日：2018-02-16
申请号：CN201610602678.6
申请日：2016-07-27
Applicant: 中国科学院自动化研究所
IPC: G06N3/08
Abstract: 本发明公开了针对序列的同步自适应时空特征表达学习模型的构建方法及其相关的模型分析方法和行为识别方法。其中，该构建法包括首先将长短时记忆神经元输入及三个控制门的全连接替换为四组独立的滤波器，依次构建卷积递归神经元；然后，将X个CRN并行排列，构建卷积递归神经网络层；接着根据以下方式构建隐含层：各CRN的输出只存在向其自身基本单元的反馈连接，且各CRN之间不存在连接关系；再在卷积递归神经网络层和输入序列之间构建卷积层；最后，将Y个卷积递归神经网络层相堆叠，形成卷积递归神经网络，单个卷积递归神经网络层包含Z个子层。通过本发明实施例可以获取更具区分性的序列时空信息表达，而且无需复杂的预处理。
-
公开(公告)号：CN104615983A
公开(公告)日：2015-05-13
申请号：CN201510043587.9
申请日：2015-01-28
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/6227 , G06N3/04
Abstract: 本发明公开一种基于递归神经网络的人体骨架运动序列行为识别方法，包括以下步骤：对已经提取好的人体骨架姿态序列中节点坐标进行归一化，以消除人体所处绝对空间位置对识别过程的影响，利用简单平滑滤波器对骨架节点坐标滤波以提高信噪比，最后将平滑后的数据送入一个层次化双向递归神经网络进行深度特征提取及识别，同时提供了一种层次化单向递归神经网络模型以应对实际中的实时在线分析需求。该方法主要优点是根据人体结构特征及运动的相对性，设计端到端的分析模式，在实现高精度识别率的同时避免复杂的计算，便于实际应用。该发明对于基于深度摄像机技术的智能视频监控、智能交通管理及智慧城市等领域具有重要意义。
-
-
-
-
Search Results
5
records
(took 0.028 seconds)
