专利交易市场

本发明公开了一种基于目标位置信息推理的跨店经营行为检测方法，包括：利用数据集训练目标检测网络，获得行人与店外物品检测模型、店面检测模型；截取监控视频获得帧图像，将帧图像输入至行人与店外物品检测模型、店面检测模型中，获得两个模型对应的检测结果；当检测结果中同时出现行人、店面以及店外物品时，根据目标位置信息判断行人与店外物品的关联关系，认为存在关联关系的行人与店外物品为关联目标；针对关联目标行人，计算关联目标行人的时间权重，在关联目标行人的时间权重满足跨店经营行为判断条件时，则存在跨店经营行为。该方法能够实现对跨店经营行为的实时准确检测。

本发明具体涉及一种基于注意力机制的LSTM人体行为识别方法。将人体关节点坐标信息作为输入数据，将人体关节点根据人体结构分为5组，并将其坐标信息送入5个LSTM‑Attention模块进行特征提取，将提取到的新特征进行3次局部融合，并将其送入相应的LSTM‑Attention模块进行特征提取以获得整个人体特征，将整个人体特征送入全连接层以及softmax层输出人体行为识别结果；本发明在LSTM中引入注意力机制，使得LSTM能够较好的保留和处理数据中的时序信息，特征向量传入Attention层中能够自适应地感知对识别结果有较大影响的网络权重，提高了人体行为识别的效率和准确性。

本发明公开了一种基于改进残差网络的无人机异常行为识别方法，包括：将无人机的图像分为训练集和测试集，构建改进的残差网络模型，对训练集进行特征提取、网络训练。通过测试集验证准确率后，进行无人机的图像分类，将提取后的信息特征代入改进孤立森林算法中进行异常行为识别。对飞行特征参数进行提取和预处理，通过随机斜率超平面来分割数据集构建孤立树，从而建立孤立森林。将样本数据遍历孤立树，通过基于相对质量的方法，并代入威胁系数作为权重，计算出样本的异常得分，从而判定出无人机异常行为。本发明的优点是：提高了准确率，缩短了训练时间，降低模型时间复杂度,加快判别时间。提高了检测数据集异常得分的鲁棒性。

本发明属于行为识别技术领域，具体涉及一种基于Wi‑Fi信道状态信息的无接触式人体行为识别方法及系统，该方法包括：实时采集不同动作的信道状态信息原始数据，对采集的数据进行于预处理，并对预处理后的数据进行特征提取；将提取的特征输入到训练好的机器学习模型和分类模型中，得到最终的行为识别结果；本发明使用GRU和CNN相结合的并行分类模型，能够很好的建立人体动作和CSI信号变化模式的相互关系，具有良好的人体行为识别效果，提高了基于Wi‑Fi信号识别人体动作的准确率。

本发明涉及一种在红外视频下基于骨架序列的老人行为识别方法，属于计算机视觉领域。该方法包括：S1：获取室内场景下具有老人行为图像的红外视频，并进行目标检测；S2：将检测到的目标输入到人体姿态估计网络，提取出关节点的位置和置信度，获取到老人的骨架信息；S3：根据检测时间先后顺序组合得到老人的骨架序列，再对骨架序列进行归一化处理；S4：将处理后的骨架序列数据输入到融合了SlowFast与Shift‑GCN的SFS‑GCN网络中，结合空间注意力机制，利用移位图卷积获取到老人行为的时空特征，最后利用Softmax分类器对老人的室内行为进行分类。本发明解决了现有的面向老人的行为识别方法实用性低的问题。

本发明属于图像数据处理技术领域，公开了一种基于深度时空图的人体行为识别方法及系统,通过构建3D人体面具获取主要活动部位的深度数据，去除数据中的冗余信息；将深度帧投影到三个正交轴上得到与每个轴相对应的分布列表，二值化分布列表后按时序拼接生成深度时空图DSTM(Depth Space-Time Maps)；对DSTM提取方向梯度直方图(HOG)特征用于行为识别。实验表明本发明能有效提高人体行为识别的准确性；解决了当前基于深度序列的人体行为识别方法中存在的冗余数据过多、时序信息缺失等问题。

本发明公开了一种变电站工作区域的人员危险行为识别方法及系统，所述方法包括：建立危险行为数据集；对接收到的视频流数据进行处理，把输入视频等时划分为K个片段并进行帧化，分别得到RGB图像和用TV‑L1光流法来提取光流计算得到的光流图像；基于双流网络使用改进的能量谷优化算法优化并行的ResNet‑34网络和LSTM网络，使用ResNet‑34网络从每个片段的RGB图像中提取空间特征和使用LSTM网络从每个片段的连续多帧光流图像提取时间特征，然后分别将时间和空间的多片段得分融合，再融合时空得分，得到最终的行为识别结果；对变电站工作区域的人员危险行为进行识别。本发明能有效的对变电站工作区域的人员危险行为进行识别，为变电站工作区域的人员提供安全保障。

本发明涉及一种基于人工设计特征和深度学习特征自适应融合的红外行为识别方法，包括以下步骤：S1：通过人工设计特征模块，对原始视频进行改进的密集轨迹特征提取；S2：对提取到的人工设计特征进行特征编码；S3：通过CNN特征模块，对原始视频图像序列，利用一种变分光流算法提取光流信息，得到对应光流图像序列；S4：利用卷积神经网络，对步骤S3中得到的光流图序列提取CNN特征；S5：将数据集分为训练集和测试集；对训练集数据，通过权重优化网络学习权重，利用学习到的权重将CNN特征分类网络和人工设计特征分类网络的概率输出进行加权融合，通过对比识别结果得出最优权重，并将其应用于测试集数据分类。本方法创新了特征融合方式，提高了红外视频中行为识别的可靠性，对后续视频分析工作有重大意义。