-
公开(公告)号：CN113221694B
公开(公告)日：2023-08-01
申请号：CN202110473438.1
申请日：2021-04-29
Applicant: 苏州大学
IPC: G06V40/20 , G06V20/40 , G06V10/50 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种动作识别方法，将动作视频样本分段，计算每个视频片段的动态图像；将每个视频片段的动、静态图像输入特征提取器；提取动态图像的运动特征向量；构建特征中心组，得到直方图表达；将直方图表达输入直方图连接层，得到动作视频样本的完整直方图表示；然后输入多层感知器，构成运动特征量化网络；训练其至收敛；将动态、静态图像输入训练好的运动特征量化网络中的特征提取器、增强器和软量化器，得到直方图表达；将直方图表达输入显著运动特征提取器，得到显著运动特征图；将显著运动特征图输入卷积神经网络，构成动作分类器；训练其至收敛；计算测试动作视频样本每个片段的动态、静态图像，并输入训练好的动作分类器，实现动作识别。
-
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：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：CN111274908B
公开(公告)日：2023-04-14
申请号：CN202010046088.6
申请日：2020-01-16
Applicant: 苏州大学
IPC: G06V40/20 , G06V10/762 , G06V10/764 , G06V10/82 , G06V10/28 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种人体动作识别方法，获取动作样本的动态特征；获取每个骨骼关节点的运动特征并进行聚类；将每个动作样本分成N1个片段；得到每个片段的直方图表达；关节点按身体部位分为五组，获取每个部位在同一时间片段的运动特征；提取所有动作样本每个部位的初始运动特征序列，并对运动特征进行聚类；将每个动作样本的每个部位的运动特征序列分成N2个片段；得到每个部位每个片段的直方图表达；将五个身体部位同一时间片段的直方图连接，作为该时间片段的身体特征；提取所有动作样本的初始身体特征序列，对身体特征进行聚类；得到身体特征的直方图表达；构成并训练时空层级软量化网络，将测试样本输入至网络模型，实现动作识别。
-
公开(公告)号：CN108764262B
公开(公告)日：2021-09-28
申请号：CN201810556686.0
申请日：2018-05-31
Applicant: 苏州大学
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：CN113221694A
公开(公告)日：2021-08-06
申请号：CN202110473438.1
申请日：2021-04-29
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，将动作视频样本分段，计算每个视频片段的动态图像；将每个视频片段的动、静态图像输入特征提取器；提取动态图像的运动特征向量；构建特征中心组，得到直方图表达；将直方图表达输入直方图连接层，得到动作视频样本的完整直方图表示；然后输入多层感知器，构成运动特征量化网络；训练其至收敛；将动态、静态图像输入训练好的运动特征量化网络中的特征提取器、增强器和软量化器，得到直方图表达；将直方图表达输入显著运动特征提取器，得到显著运动特征图；将显著运动特征图输入卷积神经网络，构成动作分类器；训练其至收敛；计算测试动作视频样本每个片段的动态、静态图像，并输入训练好的动作分类器，实现动作识别。
-
公开(公告)号：CN113221693A
公开(公告)日：2021-08-06
申请号：CN202110472752.8
申请日：2021-04-29
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括计算动作视频样本的动态图像；将动作视频样本的动态图像输入特征提取器，获取动态图像中的特征向量；构建特征中心组；将所有特征向量输入特征中心，累加每个特征中心上的所有输出，得到直方图表达；将直方图表达输入多层感知器，构成特征量化网络；训练特征量化网络至收敛，找出每个动作类别的共现特征中心组；构造图像特征共现层；构造基于共现图像特征的动作识别网络并训练至收敛，找出每个动作类别的共现图像特征神经元组；构造语义特征共现层；构造基于层级共现特征的动作识别网络并训练至收敛，计算测试动作视频样本的动态图像，输入训练好的基于层级共现特征的动作识别网络，实现动作识别。
-
公开(公告)号：CN113191361A
公开(公告)日：2021-07-30
申请号：CN202110418108.2
申请日：2021-04-19
Applicant: 苏州大学
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
34
records
(took 0.022 seconds)
