一种渐进式高精度人体脚型重建方法

    公开(公告)号:CN114299228B

    公开(公告)日:2025-02-18

    申请号:CN202111626077.6

    申请日:2021-12-28

    Applicant: 浙江大学

    Abstract: 本发明公开了一种渐进式高精度人体脚型重建方法,步骤如下:从三张脚型轮廓图像和对应的相机内外参构建脚型的可视外壳,作为粗糙脚型形状;建立人体脚型可视外壳特征学习模型,学习脚型的可视外壳形状特征;建立人体脚型网格特征学习模型,学习脚型的网格形状特征;使用深度学习方法,建立人体脚型可视外壳特征和网格特征之间的特征转换模型。以脚型轮廓图和相机内外参作为输入,首先构造可视外壳作为粗糙脚型,提取可视外壳形状特征,转换为脚型网格形状特征,并由此重建高精度三维脚型。本发明降低了人体脚型模型重建的设备费用和人工费用,提高了脚型重建效率,使用渐进式高精度人体脚型重建方法能快速准确重建人体脚型的三维形状。

    基于参数化人体模型的体能测评方法

    公开(公告)号:CN116824637A

    公开(公告)日:2023-09-29

    申请号:CN202310845279.2

    申请日:2023-07-11

    Applicant: 浙江大学

    Abstract: 本发明公开了一种基于参数化人体模型的体能测评方法,包括以下步骤:获取目标运动员的双目图像,同时获取拍摄双目图像的相机参数;采用关键点检测算法从双目图像中提取二维人体关键点序列;根据二维人体关键点序列和相机参数生成SMPL参数化人体模型;依据SMPL参数化人体模型生成三维关键点序列,并基于三维关键点序列形成体能测试模板;依据体能测试模板和体型评价标准和动作评价标准进行体型指标和动作指标计算,这样能够进行快速准确的体能测试,用于辅助教练完成对运动员的日常体能测试评估,从而加快体育相关科研成果与一线体能训练实践之间的转化速度。

    一种举重运动数据的分析与评价系统

    公开(公告)号:CN115063889A

    公开(公告)日:2022-09-16

    申请号:CN202210751773.8

    申请日:2022-06-28

    Applicant: 浙江大学

    Abstract: 本发明公开了一种举重运动数据的分析与评价系统,包括场地分析单元、杠铃分析单元、运动员分析单元、可视化单元、评价单元;所述场地分析单元用于对举重场地角点进行跟踪和标定;所述杠铃分析单元用于对杠铃进行定位和轨迹生成;所述运动员分析单元用于对运动员进行二维人体姿态估计和三维人体姿态估计;所述评价单元用于根据时序信息和人体姿态估计包含的关节点坐标计算举重过程中各阶段的技术指标,形成分析指标体系;所述可视化单元用于可视化举重场地、杠铃定位结果和杠铃轨迹、二维人体姿态、三维人体姿态、分析指标体系。该系统能够实现对举重运动数据的全面分析,提高举重运动的技术分析速度与精度,缩短举重运动员与科研人员的距离。

    一种基于深度匹配网络的商品种类识别方法

    公开(公告)号:CN107463945B

    公开(公告)日:2020-07-10

    申请号:CN201710566434.1

    申请日:2017-07-12

    Applicant: 浙江大学

    Abstract: 本发明公开了一种基于深度匹配网络的商品种类识别方法。该方法总体上分为3个过程:1)输入货架图像和待识别商品的模板图像,将模板图像与货架图像进行特征点匹配,得到货架图像与模板图像匹配的特征点对列表;2)利用匹配的特征点对列表,对货架图像进行对齐与裁剪,得到单个商品图像;3)对单个商品图像,使用深度匹配网络对其进行分类,确定货架图像上商品的位置和类别。本发明方法利用手机相机对货架进行拍摄,克服了现有超市盘点方法人力消耗大、耗时长的困难,实现了基于重复模式方法与深度匹配网络的商品识别。

    一种基于多流分治卷积神经网络的表面肌电信号手势识别方法

    公开(公告)号:CN108491077B

    公开(公告)日:2020-06-16

    申请号:CN201810225157.2

    申请日:2018-03-19

    Applicant: 浙江大学

    Abstract: 本发明公开了一种基于多流分治卷积神经网络的表面肌电信号手势识别方法。步骤如下:将肌电信号转化为肌电图像;对肌电图像按照肌电电极布局和前臂肌肉形状进行分割;构建并训练多流分治卷积神经网络,得到最优网络模型;对待测数据进行分类;本发明和现有基于表面肌电信号的多类手部动作识别方法相比,提出一种多流分治卷积神经网络,使用分而治之的策略,从输入的肌电图像中提取包含更多局部肌肉活动特性的卷积特征,使神经网络可以更好地学习人体前臂肌肉的局部特征。本发明多流分治卷积神经网络相比传统单流神经网络以及随机森林等传统分类器,不论对于稀疏多通道肌电信号还是由二维电极阵列采集的高密度肌电信号,都具有更好的手势识别性能。

    一种基于机器学习的跨设备电磁指纹数据库的构建方法和装置

    公开(公告)号:CN107273795B

    公开(公告)日:2019-12-17

    申请号:CN201710309422.0

    申请日:2017-05-04

    Applicant: 浙江大学

    Inventor: 厉向东 耿卫东

    Abstract: 本发明公开一种基于机器学习的跨设备电磁指纹数据库的构建方法,包括:首先,采集设备的电磁信号,并对电磁信号进行降噪、特定窗口带宽截取以及数字化处理;然后,对处理后的电磁信号进行机器学习,判断得到电磁信号的分类与标记,并将该分类与标记信息输送至显示器;最后,用户判断显示的设备识别结果的正确性,若正确,将分类与标记信息存入电磁指纹数据库,若否,从新采集设备电磁信号从新机器学习,直到准确为止。该方法能够准确地获得设备的电磁信号,进而建立电磁指纹数据库,在使用该数据库的同时还可以更新扩大电磁指纹数据库。本发明还公开了实现上述方法的装置,不需要外部标记设备的支持,节省成本,增强与物品的交互自然性。

    一种结合跨模态关联关系模型的肌电信号手势识别方法

    公开(公告)号:CN110443309A

    公开(公告)日:2019-11-12

    申请号:CN201910725778.1

    申请日:2019-08-07

    Applicant: 浙江大学

    Abstract: 本发明公开了一种结合跨模态关联关系模型的肌电信号手势识别方法,步骤如下:设计一种结合深度学习和对抗学习的跨模态关联关系模型,并对其网络结构参数进行优化;将肌电信号和跨模态关联关系模型生成的虚拟手部姿态作为输入,设计一种基于多模态融合的手势分类深度学习框架,并对其网络结构参数进行优化;将测试数据输入到训练好的跨模态关联模型中,输出虚拟手部姿态,再由虚拟手部姿态与肌电信号输入到训练好的手势分类模型中得到手势类别。本发明基于跨模态关联关系模型及多模态融合的深度学习框架对手势进行识别。使用基于生成式对抗网络的跨模态关联关系模型和多模态融合的肌电手势识别方法能够有效提升基于单帧的手势识别率。

    一种基于瞬时肌电图像的手势识别方法

    公开(公告)号:CN105608432B

    公开(公告)日:2019-02-22

    申请号:CN201510973702.2

    申请日:2015-12-21

    Applicant: 浙江大学

    Abstract: 本发明公开了一种基于瞬时肌电信号的手势识别方法。在训练阶段,首先对阵列电极采集的瞬时肌电信号进行预处理,并将其按照电极位置排布成瞬时肌电图像;然后使用瞬时肌电图像及其对应的手势标签训练图像分类器,例如深度卷积神经网络,得到网络模型参数;在测试阶段,首先对阵列电极采集的待识别的瞬时肌电信号进行预处理,并将其按照电极位置排布成瞬时肌电图像;然后将训练好的模型参数带入到分类器中识别瞬时肌电信号对应的手势标签。本发明基于瞬时肌电图像和图像分类方法,可以快速准确地识别手势。国内外尚无文献使用瞬时肌电信号进行手势识别。

    基于支持向量机和表面肌电信号的多类手部动作识别方法

    公开(公告)号:CN105426842B

    公开(公告)日:2018-08-14

    申请号:CN201510801198.8

    申请日:2015-11-19

    Applicant: 浙江大学

    Abstract: 本发明公开了一种基于支持向量机的表面肌电信号多类手部动作识别方法。方法的主要步骤如下:1)获取肌电数据,对信号进行平滑滤波,并通过不同尺度的采样窗口生成数据样本;2)以数据样本为单位,从每个数据样本中提取出一个包含19种时域,频域以及时频域特征的新型多特征特征集,并对特征向量进行归一化和基于最小冗余最大相关性准则的特征选择;3)设计基于皮尔逊VII广义核的支持向量机分类器,使用基于交叉验证的粗网格搜索优化算法,对支持向量机的参数进行优化;4)使用训练集中的数据样本和步骤3)参数优化过程得到的分类器最优参数,训练分类模型,并将测试集中的数据样本输入分类模型进行分类测试。

Patent Agency Ranking