专利名称：基于关键时空信息驱动和组群共现性结构化分析的组群行为识别方法      申请号：2020101923353     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：人体行为识别 计算机视觉   相似专利 发布日：2024/09/30  
摘要： 本发明公开一种基于关键时空信息驱动和组群共现性结构化分析的组群行为识别方法，1)基于关键人物候选子网络获得组群中每个成员的重要性权重；2)将个人重要性权重和边界框特征输入至主网络CNN，获得输入到层叠LSTM网络的空间特征；3)以2)的输出作为输入进行共现性特征建模，通过对层叠LSTM内部神经元分组，实现不同的组学习不同的共现性特征，获得组群特征；4)将边界框特征输入到关键时间片段候选子网络进行特征提取，获得当前帧的重要性权重；5)将3)中获得的组群特征和4)中获得的当前帧的的重要性权重相结合获得当前帧的组群特征，并将其输入到softmax进行组群行为识别，完成分类任务。本方案基于关键时空信息提取组群重要成员特征以及关键的场景帧，并结合共现性处理组群行为内部的交互信息，实现组群行为识别精度的提升。

专利名称：一种基于人体行为识别网络模型的识别方法      申请号：2020104578340     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：网络传输 人体行为识别   相似专利 发布日：2023/12/04  
摘要： 本发明涉及一种基于人体行为识别网络模型的识别方法，包括：将连续的视频序列输入到网络模型中的第一3D卷积层升高维度后依次进入BN层和relu激活函数层；将所述relu激活函数层的输出输入到block网络块中的第一block层、第二block层、第三block层、第四block层和第五block层进行特征提取、降维和最大池化处理后输入到全局均值池化层；所述全局均值池化层对输入数据做正则化防止过拟合后输出到softmax激活函数层，最后输出形态类别。本发明的优点在于：具有准确率高和实时性高的特点，在保持准确率的同时参数量和计算量相比其他模型少；能够识别出给定视频的行为。

专利名称：基于快速判别公共向量算法的人体行为识别方法      申请号：2014101646247     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机软件 人体行为识别   相似专利 发布日：2023/09/14  
摘要： 本发明公开一种基于快速判别公共向量的人体行为识别方法，其涉及模式识别领域，以快速判别公共向量算法提高分类速率，解决人体行为识别中的小样本问题为目的，步骤如下：对输入的视频序列进行分帧处理、灰度处理和去噪处理；采用时间差分法对分帧后的图像进行运动人体目标检测，提取目标前景；对目标区域大小进行归一化处理；采用k-means聚类的方法得到行为序列的关键帧；采用快速判别公共向量对行为进行分类。本发明提供的人体行为识别方法在现有的技术基础上有效地提高了识别效率，解决了人体行为识别中的小样本问题。本发明可用于机器学习和模式识别范畴内，除了人体行为识别以外，还可用于图像识别和目标识别等领域。

专利名称：潜在信息融合的家庭安防系统中的人体行为识别的方法      申请号：2020101167958     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：监视监控 家庭安防 人体行为识别   相似专利 发布日：2023/08/21  
摘要： 一种潜在信息融合的家庭安防系统中的人体行为识别的方法，以跟踪得到的人体运动时序序列作为研究对象，将姿态特征与行为之间、交互物体特征与行为之间、行为与行为之间的相关性作为潜在信息，通过在姿态时空特征的提取以及交互物体的特征提取中引入约束条件充分挖掘潜在信息对家庭安防系统中的人体行为识别的影响，从而增大行为类间差异，同时减小行为类内差异，提高人体行为识别方法的准确性和泛化性。将每个关节点关于行为类别的互信息作为约束条件，对得到的所有互信息进行排序，保留能表示特定行为的互信息最大的关节点组，使用筛选后的关节点组和交互物体特征融合进行行为识别，提高识别的实时性和准确性。

专利名称：一种基于DenseNet网络与帧差法特征输入的人体行为识别方法      申请号：2019103326443     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：网络传输 SE 人体行为识别   相似专利 发布日：2024/01/23  
摘要： 本发明提供一种基于DenseNet网络与帧差法特征输入的人体行为识别方法，其可以在占用较少内存和更少训练时间的基础上，在进行人体行为识别的时候取得较高的准确率。其包括：S1：获得待识别动作视频数据；获取待识别动作视频数据的静态灰度图像序列,利用帧差法生成包含运动主体运动特征的运动帧差图；S2：以DenseNet模型为基础构建骨干网络模型，通过骨干网络模型分别搭建时间流网络和空间流网络；S3：分别训练时间流网络和空间流网络，获得训练好的时间流网络和空间流网络；S4：将静态灰度图像序列的序列作为训练好的空间流网络的输入；将运动帧差图的序列作为训练好的时间流网络的输入，获得行为识别最终结果，完成动作识别操作。

专利名称：基于模糊边界分片的深度动作图人体行为识别方法     申请号：2016109490518     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词： 人体行为识别   相似专利 发布日：2022/07/01