-
公开(公告)号：CN107563345B
公开(公告)日：2020-05-22
申请号：CN201710847985.5
申请日：2017-09-19
Applicant: 桂林安维科技有限公司
Abstract: 本发明公开一种基于时空显著性区域检测的人体行为分析方法，利用数据集训练Faster R‑CNN模型；输入多路视频并将单路视频分割成视频图像帧；对分割的视频图像帧使用Faster R‑CNN模型进行目标检测；分析目标检测结果并重新计算目标候选框；对单路视频使用块匹配构造运动矢量场；通过运动矢量场计算感兴趣区域的运动矢量，用混合高斯模型计算出的概率选定前景显著运动区域；根据目标候选框和显著运动区域合成时空显著性区域；对目标时空显著性区域进行特征采样和特征预处理；对视频的目标时空显著性区域进行编码和池化；对视频的时空显著性区域进行人体行为分析识别；将分析识别结果写入时空显著性区域框。本发明使可以合理分析视频中的人体行为活动的所属类别。
-
公开(公告)号：CN107527045A
公开(公告)日：2017-12-29
申请号：CN201710851835.1
申请日：2017-09-19
Applicant: 桂林安维科技有限公司
Abstract: 本发明公开一种面向多路视频的人体行为事件实时分析方法，前端摄像机通过RTMP协议将采集到的视频内容推送到服务器端；服务器接收视频内容并将RTMP协议流媒体转换为HLS协议；服务器开启索引文件定时扫描线程，读取HLS协议中的M3U8索引文件，得到索引中指定的TS视频文件名，并将其加入作业队列；循环读取队列中的作业，每个作业在服务器端开启相应子线程，子线程并发地对每个作业的视频内容进行分析识别；将分析识别的结果写入原视频片段，最终展现到客户端，或将信息提交到其他预警系统中。本发明采用多路并发处理前端摄像机的视频流数据，后台服务器的多线程直接对前端多路摄像机做一对一的多路并发处理，从而实时响应多路视频的人体行为事件分析。
-
公开(公告)号：CN113283320B
公开(公告)日：2024-09-06
申请号：CN202110524584.2
申请日：2021-05-13
Applicant: 桂林安维科技有限公司 , 桂林电子科技大学
IPC: G06V40/10 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0985
Abstract: 本发明公开了一种基于通道特征聚合的行人重识别方法，主要创新点有：一是在残差块的末尾再接一个SE Block结构，提高了网络对通道特征的提取能力；二是结合ReLU和权重偏置项提出了2个新的激活函数WReLU和LWReLU，有效提高神经网络对全局特征的表征能力；三是在Split‑Attention和SE Block中应用LWReLU，提高了Split‑Attention计算各组特征图的权重能力和SE Block对通道特征的提取能力，四是应用了新型的损失函数Circle Loss，使得模型能更为灵活的优化，能更为明确的收敛目标，进而提高模型的性能。
-
公开(公告)号：CN111507243B
公开(公告)日：2022-08-19
申请号：CN202010293342.2
申请日：2020-04-15
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V40/10 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于格拉斯曼流形分析的人体行为识别方法，包括获取数据集的所有训练样本映射到格拉斯曼流形空间；对类内样本点距离和类间样本点距离进行建模；重新定义数据集上的训练样本；建立组合学习模型；对组合学习模型进行迭代求解。以多种特征建模设计分类器模型。从已标注和未标注的行为视频中，基于自定义图模型，通过标签传播方法生成未标注视频的虚拟标签，并使用多流形分析揭示特征数据相关性。对于每种类型特征，既单独保留近邻数据点的局部结构一致性，又在训练集中使用多种特征数据点的全局一致性，来预测未标注样本的标签数据，在标注数据不足时，训练出一种人体行为视频的多分类器，从而提高人体行为识别的准确度。
-
公开(公告)号：CN111488840A
公开(公告)日：2020-08-04
申请号：CN202010293489.1
申请日：2020-04-15
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
Abstract: 本发明公开了一种基于多任务学习模型的人体行为分类方法，包括划分有标签数据和无标签数据；基于类内相似图模型和类间相似图模型建立多流形和标签一致性模型；基于图嵌入方法对多流形和分类器训练建立多任务学习模型；提取训练集特征并对特征进行降维；获取特征输入至多任务学习模型进行训练得到分类器结果。通过对视频中人物动作的数据分布和特征关联进行分析，结合多流形分析和多任务学习重新定义目标函数，挖掘出行为特征之间的内在联系；利用谱投影梯度方法和KKT条件求解多分类器目标函数的最优值；运用半监督学习算法，将已标注视频和未标注视频样本作为训练样本，同时放入分类器训练过程以提高分类器性能，从而提高了识别精度。
-
Patent Agency Ranking
公开(公告)号：CN118429861A
公开(公告)日：2024-08-02
申请号：CN202410537577.X
申请日：2024-04-30
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V20/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0895
Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于图卷积的自适应相关性半监督学习方法，通过对视频进行预处理，按照动作类别将视频切分成不同的视频片段；提取视频样本数据的特征，并将所述视频样本数据划分为有标签数据和无标签数据；基于所述视频样本数据的特征来构建视频数据的图结构；利用所述图结构，引入自适应的权重计算方法，根据节点特征相似度得到最新的相关性权值；从有标签数据和无标签数据中学习全局拓扑信息；对源节点特征进行线性变换，然后将源节点特征和相邻节点特征进行聚合，得到输入特征；将输入特征引入分类层进行训练，得到最终模型；使用测试数据对模型效果进行评估，得到模型的识别性能。
-
公开(公告)号：CN118428416A
公开(公告)日：2024-08-02
申请号：CN202410538759.9
申请日：2024-04-30
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06N3/0464 , G06N3/084
Abstract: 本发明涉及机器学习技术领域，具体涉及一种基于图数据模型的卷积网络特征学习方法，首先通过将网络中的特征学习表示为最大似然优化问题，再基于所述最大似然优化问题提出两个标准假设，基于两个标准假设简化最大似然优化问题，利用随机游走策略搜索所述网络邻域；设置两个参数b和d来引导所述随机游走策略；利用随机梯度下降优化特征，得到最新的特征表示，最后将所述最新的特征表示应用于图卷积网络模型中进行下游任务。本发明解决了现有技术中由于依赖于固定的网络邻域概念，从而导致对网络中特有的连接模式不敏感，无法得到有效的节点特征表示的问题。
-
公开(公告)号：CN116469171A
公开(公告)日：2023-07-21
申请号：CN202310490627.9
申请日：2023-05-04
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V40/20 , G06V10/774 , G06V10/764 , G06V10/762 , G06V10/82
Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于跨视图一致性挖掘的自监督骨架动作识别方法，通过采集无标签骨架数据并进行预处理，从骨架序列生成3D骨架的多种视图，结合多种数据增强方法获得多视图数据的扩增序列，通过编码器得到不同视图的编码特征，建立单视图对比学习框架；进一步通过实例判别的对比学习对多个视图分支进行并行自监督训练，产生多个单视图嵌入特征，通过最近邻挖掘正样本方法，构建单视图语义级的对比学习，经过结合跨视图一致性挖掘模块，学习多视图的协同表示，最后在动作识别任务上利用测试数据对模型效果进行评估，得到模型的识别性能。本发明提高了人体骨架动作识别模型的性能，改善现有的人体骨架动作识别方法的存在问题。
-
公开(公告)号：CN111507243A
公开(公告)日：2020-08-07
申请号：CN202010293342.2
申请日：2020-04-15
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
Abstract: 本发明公开了一种基于格拉斯曼流形分析的人体行为识别方法，包括获取数据集的所有训练样本映射到格拉斯曼流形空间；对类内样本点距离和类间样本点距离进行建模；重新定义数据集上的训练样本；建立组合学习模型；对组合学习模型进行迭代求解。以多种特征建模设计分类器模型。从已标注和未标注的行为视频中，基于自定义图模型，通过标签传播方法生成未标注视频的虚拟标签，并使用多流形分析揭示特征数据相关性。对于每种类型特征，既单独保留近邻数据点的局部结构一致性，又在训练集中使用多种特征数据点的全局一致性，来预测未标注样本的标签数据，在标注数据不足时，训练出一种人体行为视频的多分类器，从而提高人体行为识别的准确度。
-
公开(公告)号：CN110399808A
公开(公告)日：2019-11-01
申请号：CN201910602596.5
申请日：2019-07-05
Applicant: 桂林安维科技有限公司
Abstract: 本发明提出一种基于多目标跟踪的人体行为识别方法，包括：训练目标检测模型和行为识别模型；根据目标检测模型预测行人目标所在位置，作为目标检测框；估计目标检测框在下一帧所在位置，作为目标跟踪框；判断目标检测框与目标跟踪框是否表示同一行人目标；当目标跟踪队列长度达到设定帧数阈值时，将所有目标跟踪框串联形成目标跟踪区域，将目标跟踪区域加入行为识别缓冲区的任务队列；在行为识别缓冲区的任务队列中预测目标对象的行为得分，并将结果回给目标跟踪队列；在目标跟踪队列中间隔时间t帧，将新的目标跟踪区域添加到行为识别缓冲区的任务队列；将目标跟踪队列前n次行为得分进行融合，更新最新得分作为当前目标跟踪区域的识别结果。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.023 seconds)
