|
钻瓜专利网为您找到相关结果 14个,建议您 升级VIP下载更多相关专利
- [发明专利]一种基于改进关键帧提取的跌倒检测方法-CN202110502441.1有效
-
胡佳佳;李伟彤
-
广东工业大学
-
2021-05-08
-
2023-08-18
-
G06V40/20
- 本发明提供一种基于改进关键帧提取的跌倒检测方法,包括S1:获取未经处理的原视频流;S2:利用帧间差分法对所述原视频流初步进行关键帧提取;S3:利用聚类算法对步骤S2产生的关键帧进行二次优化,得到最优关键帧;S4:从所述最优关键帧中提取特征,构建特征向量;S5:将提取的特征向量作为支持向量机SVM的输入,进行初判断,所述支持向量机用于区分非跌倒行为、跌倒行为和类跌倒行为;S6:利用卷积神经网络对区分结果为所述类跌倒行为的特征向量进行二次分类,输出检测结果,完成对跌倒行为的最终检测。本发明提出的算法与传统的聚类方法相比,不仅有更低的冗余度而且还有较高的查全率和准确率,可以为后续检测跌倒行为节省很多时间和提高准确率。
- 一种基于改进关键提取跌倒检测方法
- [发明专利]一种基于深度学习的跌倒行为检测方法和系统-CN202110523527.2有效
-
叶铭彬;李伟彤
-
广东工业大学
-
2021-05-13
-
2023-08-15
-
G06V40/20
- 本发明公开了一种基于深度学习的跌倒行为检测方法和系统,方法包括以下步骤:首先,获取人体的骨骼数据。然后对骨骼数据进行预处理,计算提取出对跌倒行为检测有用的低维特征信息。接着使用图卷积算法构建人体图矩阵,人体部位图矩阵通过空域卷积层提取深层的空域特征,并进一步送进双向LSTM层提取时域特征。分别通过若干个空域卷积层+双向LSTM层后,最后送进FC层以进行最后的跌倒行为检测。图卷积可以把非结构化的骨骼信息建模成排列整齐的矩阵形式,利用空域卷积层可以很好地从骨架信息从提取空域特征,并进一步使用双向LSTM层提取时序特征,双向LSTM层可以叠加前后帧间的时序信息,具有高准确率的特点,使整个网络模型具有更好的性能。
- 一种基于深度学习跌倒行为检测方法系统
- [发明专利]一种基于最小中心线的跌倒检测方法及装置-CN201911095466.3有效
-
王璐;李伟彤
-
广东工业大学
-
2019-11-11
-
2023-05-23
-
G06V40/20
- 本申请公开了一种基于最小中心线的跌倒检测方法及装置,所述方法包括:获取监测区域的监测图像,其中所述监测图像通过安装在监测区域的视频设备获取,且所述监测图像的X轴方向与水平方向平行;判断监测图像中是否存在监测目标,如不存在监测目标,则丢弃当前监测图像;对监测图像进行预处理,然后获取监测目标的轮廓,在所述轮廓上依次选取N个像素点,并确定监测目标的质心;根据选取的N个像素点和质心,确定监测目标的最小中心线;计算所述最小中心线与监测图像X轴方向之间的夹角;根据所述夹角判定监测目标是否处于跌倒状态。本申请与现有算法相比,计算过程简单、计算量小,且误差小,完全满足实际使用需求,对算法处理设备的要求较低。
- 一种基于最小中心线跌倒检测方法装置
- [发明专利]一种基于深度学习的跌倒事件检测方法和系统-CN202010865249.4在审
-
陈勇;李伟彤
-
广东工业大学
-
2020-08-25
-
2020-12-15
-
G06K9/00
- 本发明提供一种基于深度学习的跌倒事件检测方法,包括以下步骤:Mask‑RCNN层对人体轮廓进行背景减除,形成二值人体轮廓图像;CNN层提取二值人体轮廓图像的特征,此特征通过全连接层输出T×4096的深度特征矩阵,并将其深度特征矩阵传输到双向LSTM层;深度特征矩阵通过双向LSTM层得到对应的特征向量;注意力层计算双向LSTM层输出的特征向量的权重,根据权重检测跌倒事件。首先使用Mask‑RCNN层来检测视频中的人,形成二值人体轮廓图像,从检测到的二值人体轮廓图像中提取有用的特征,输出深度特征矩阵,将深度特征矩阵输入到双向LSTM层中得到对应的特征向量,以进行跌落检测,双向LSTM层具有高准确率的特点,注意力层计算特征向量的权重,使整个网络模型表现出更好的性能。
- 一种基于深度学习跌倒事件检测方法系统
|