专利交易市场

本发明公开了一种基于运动轨迹的3D卷积神经网络的行为识别方法，具体为：行为识别网络模型训练：建立行为识别数据集，训练数据集和测试数据集；创建训练标签与测试标签；双向光流计算，获取双向运动轨迹；提取基于运动轨迹的像素值数据矩阵；建立基于运动轨迹的3D卷积神经网络结构；对神经网络结构进行训练；行为识别网络模型测试，计算准确率；若准确率大于等于95％，则认为训练的基于运动轨迹的3D卷积神经网络结构为最终的需求，若准确率小于95％，则需要调整基于运动轨迹的3D卷积神经网络结构的内置参数后重新训练。本发明的一种基于运动轨迹的3D卷积神经网络的行为识别方法，提高视频中人体行为的识别精度。

本发明涉及一种基于3D卷积神经网络的短时交通流预测方法。本发明通过采集城市中各个区域各个时间段的交通流量数据，使用3D卷积神经网络的大规模样本集拟合能力与时空特征提取能力，搭建缺失值补全模型补全原始数据集中的缺失数据，搭建交通流预测模型进行高准确率的短时交通流预测。在模型中，将时间信息处理的网络层均匀分布在所有网络层中，使得时间信息被充分处理，同时使用学习率动态减小的Adam优化算法使得模型得以较快收敛。本发明解决了现有短时交通流预测模型无法高效处理交通流数据中的时空特征以及缺失值补全精度不高的问题。

本发明属于视频监控技术领域，涉及一种基于端到端3D卷积神经网络的泳池溺水检测方法；包括S1、对原始的监控视频进行像素级的二值标记；S2、在编码器端将每个视频片段分别输入3D卷积神经网络中得到输入视频片段vi特征立方体Fi；S3、对视频片段vi中的每帧均使用一个分割分支进行背景或行为前景的像素级预测；S4、截取特征立方体Fi对应位置处的特征输入识别分支，进行ToI池化，得到预测的行为标签；S5、读取泳池区域实时视频流，定位出游泳人员的行为位置并预测行为标签，判断是否出现溺水等异常行为；所述方法采用像素级的二值标记方式，节省了标记样本耗费的时间，提供像素级的行为定位，定位的方式更准确，解决了边框回归收敛难的问题。

本发明公开了一种基于3D卷积神经网络的双模态情感识别方法及系统。该方法首先分别构建用于表情情感识别和姿态情感识别两种3D卷积神经网络，并基于双模态情感视频库的训练集和验证集优化网络模型参数；然后基于双模态情感视频库的测试集分别对优化后的两种神经网络进行测试，得到表情情感识别混淆矩阵和姿态情感识别混淆矩阵；最后利用表情情感识别混淆矩阵和姿态情感识别混淆矩阵的先验知识，将对新输入的表情视频序列和姿态视频序列的两种模态的识别结果进行融合，得到双模态的情感分类结果。该方法采用3D卷积神经网络和双模态融合算法，避免了人工设计特征的主观性，克服了单模态情感识别的局限性，并能有效提高情感识别的准确性和鲁棒性。