专利交易市场

一种基于Android手机的步态识别方法，包括以下步骤：步骤1、注册数据集预处理，使用Android手机每人采集5个不同角度数据传输至服务器，使用DeepLabv3+深度学习模型提取人体目标轮廓，并使用中心线原则切割得到64*64的图像；步骤2、使用训练好的GaitSet步态识别模型对注册集图像序列进行特征提取，得到注册集特征；步骤3、测试数据采集，类似步骤1每人采集1个角度图像对数据进行预处理，并使用GaitSet模型提取检测集特征；步骤4、检测集中每一个检测图像序列特征与注册集中每一个图像序列特征使用欧式距离计算相似性；步骤5、对得到的距离数组Dis从小到大排序，取Dis数组中距离最小的5个距离，记录其对应特征的对应标签LT，根据LT进行标签和置信度的计算，传回结果给Android手机。本发明能结合Android手机和高性能服务器的优点，Android手机采集数据方便的同时，高性能服务器能运用深度学习网络精准地进行人体的轮廓提取，并快速地进行步态的注册与识别，维护简单且使用方便。

本发明公开了一种基于时空特征融合的细粒度步态子相位识别方法与装置，旨在准确识别下肢康复外骨骼机器人行走时的8类步态子相位，其方法包括：通过集成多源异构传感器获取步态多源数据，并设计步态子相位标签分配算法，结合滑动重叠窗口技术构建训练数据集；基于异构并行卷积架构设计特征提取模块，并与BiLSTM结合，构建时空特征融合模型；引入加权交叉熵损失函数以提高模型对样本较少步态子相位类别的识别能力，并通过分层K折交叉验证策略进行训练评估；最后，基于Simulink构建端到端的步态子相位在线识别系统，实现步态子相位的实时识别。本发明在识别精度、细粒度分析和实时性方面优于现有技术，显著提升了下肢康复外骨骼机器人对行走模式的感知能力。

本发明涉及一种低成本步态识别与可疑行为检测方法，属于图像处理领域。该方法利用现有的监控摄像头和深度学习算法实现对行人行为的自动识别和告警。具体步骤包括：利用摄像头实时捕捉监控区域内的行人目标，对目标进行动态跟踪，并将锚框中的行人图像连续截取并保存；对保存的图像进行边缘检测处理，提取图像的主要轮廓信息；选取相邻的连续N幅图像进行堆叠，形成三维张量；将堆叠后的图像输入到预训练的基于卷积神经网络的分类系统中，分析图像序列中的行为特征，并判断目标行为是否符合可疑行为标准，并进一步确定具体的行为类别。本发明具有成本低、精度高、实时性强等优点。

本发明提出了一种基于Kinect的视角不变性步态识别方法。利用Kinect可以实时准确估计人体关节空间位置信息的优势，将其作为步态数据采集设备，采集行走过程中每帧的关节空间坐标信息。选取了8段关节间的距离作为静态特征，定义并对比了上下肢体关节摆动的角度，选择出识别效果最好的一组角度变化作为动态特征。将两种特征分别用欧式距离与DTW算法与模板进行匹配，并使其在匹配层进行特征融合后利用最近邻分类器完成分类识别。本方法算法简单，具有较强的实时性，且具有视角不变的特性。

本发明涉及一种基于并行遗传算法的高精度步态识别方法。首先将应用于集成的候选神经网络泛化，使用了基于分等级公平竞争的并行遗传算法，以此增加网络的多样性；此外，使用一组由HFC-PGA选择的适当特性来训练每个候选的神经网络；最后，在设计出候选的神经网络后，选择一组个体神经网络，以便将泛化误差最小化，负相关最大化。本发明方法法提高了人体步态识别的准确性和可靠性。

本发明公开了一种基于非线性动力学指标的速度无关的步态识别方法。本发明包括以下步骤：采集人体步态运动轮廓图；提取人体下肢轮廓宽度、周长及面积参数曲线；基于轮廓参数，构建径向基函数神经网络对不同速度下的步态动力学进行建模，得到三维可视的步态动力学信息；计算三种非线性动力学指标，利用不同速度下的步态模式之间在非线性动力学指标上的差异，实现速度无关的步态识别。本发明直接从人体轮廓图上提取速度无关的步态动力学特征，不用进行复杂的图像处理过程，简单方便、容易操作。本发明所提取的动力学特征可以有效地应对多种步行速度下的识别挑战，实现多速度下的无限制步态识别。

本发明公开了一种基于区域熵特征的步态识别方法。本发明包括预处理、特征提取和分类识别三个部分。具体步骤如下：所述预处理，用于获取标准统一大小的运动目标轮廓序列，包括以下步骤：1‑1.提取运动目标轮廓序列；1‑2.图像标准化；所述特征提取，用于获得具有良好表征性的步态特征参数，包括以下步骤：2‑1.提取步态周期；2‑2.提取区域图像熵特征；步骤3.采用最近邻准则分类识别。本发明提取的区域图像熵特征具有很好的表征性,无需借助复杂的图像处理过程，提取方式简单，避免了降维和数据归一化的步骤，降低了系统复杂度，取得了较高的步态身份认证的识别率。

本发明设计身份识别技术领域，基于信道状态信息商距离的行人步态识别方法，其中数据采集：利用一个WiFi发射端以及两个WiFi接收端对感知区域内的人行走的CSI数据进行采集；信号预处理：对采集得到的CSI数据进行相关去噪处理，对CSI数据中包含的与人行走的无关噪声信息进行消除；CSID提取：利用信道状态信息商在复平面的变化信息包含了人行走的步态特征，提出CSID来表征信道状态信息商在复平面的变化；身份识别：结合深度学习在特征提取方面的优势，使用LSTM网络模型进行特征提取进而实现身份识别。该方法仅仅使用商业WiFi设备可以实现室内环境中人的身份被动感知，利用了人类行走的独有步态特征并结合深度学习模型实现了一个用户身份识别系统。

本发明公开了一种基于单节点传感器的步态识别系统设计方法，包括如下步骤：步骤S101、构建数据采集模块和数据处理分析模块；步骤S102、将数据采集模块做成脚环的形式佩戴在测试者的脚腕处采集人体运动数据；步骤S103、对步骤S102中采集的人体运动数据过无线装置传输到数据处理分析模块进行数据分析处理，得到步态时域特征、步长、步高与转向角度的数据并制作数据集；步骤S104、利用多种机器学习分类器进行模型训练从而进行特征降维；S105、在计算机上完成步骤S102～S104后，用Keil软件将步骤S102～S104的算法过程编写C语言程序写入微控制器中完成嵌入式开发。

本发明公开了一种改进GaitSet的红外步态识别方法，属于计算机视觉领域，包括以下步骤：1)采用Faster R‑CNN检测算法与Deeplab v3+语义分割算法相结合的无损剪影提取方案提取CASIA‑C红外步态数据集中的人体剪影，并构建样本集；2)在GaitSet网络基础上引入剪影差分融合模块、残差单元、多尺度特征融合技术以及多尺度金字塔映射模块来进行改进；3)利用步骤1)得到的训练样本进行训练；4)提取红外视频序列中行人步态特征，完成红外状态下的人体身份识别。该方法能够充分捕捉和利用红外图像中的不同粒度和时空步态信息，且无需计算步态周期，可以将任意顺序及数量的红外步态帧序列作为输入。

本发明公开了一种基于多尺度跨时空有向时空图的步态情绪识别方法和系统，包括3个多尺度时空有向自适应图卷积网络，每个多尺度时空有向自适应图卷积网络之前都有一个归一化层，之后是一个激活函数层和一个丢弃层，人体骨骼图通过3个多尺度时空有向自适应图卷积网络后，从输入数据中提取特征数据，然后执行全局平均池化层，对提取的特征进行全局特征平均池化，最后通过softmax层执行四种情感分类。本发明采用通过构建有向时空图，同时考虑到了时间流动方向，并且使用图深度学习在时间维度上提取节点间的联系，有向地更新节点特征，以达到较好地识别精度。

本发明涉及一种基于时空特征融合的步态分类方法，首先对步态视频进行随机稀疏时序采样得到时序步态图像集，并在此基础上，通过对时序增强子网络和残差子网络的输出融合大幅度提升了对空间维度和时间维度上步态信息的提取能力，从而缓解了步态视频采集视角变化和着装不同等因素对步态特征提取的干扰，有效地提升了步态分类的正确率。