专利交易市场

一种学习者姿态识别方法，由人像与背景的分离、对二值化后的图像运用数学形态学运算提取出学习者的轮廓图像、采用Zernike矩进行特征提取、采用支持向量机对特征向量进行训练以及识别学习者的姿态组成。本发明在蜂群算法中引入莱维飞行机制，根据不同的飞行步长采用不同搜索方式，可丰富种群多样性还可避免早熟收敛，陷入局部最优；并在蜂群算法中采用动态权重机制，根据种群的进化率来调整个体蜂搜索方式，动态地平衡全局搜索和局部搜索能力。具有分割效果好、识别率高等优点，可用于学习者姿态识别及其它图像识别和分类。

本发明涉及一种多特征融合姿态识别系统及方法，该系统包括管理终端、云服务器、无线网络和人体节点，其中人体节点包括胸部节点、足部节点L和足部节点R，足部节点L包括第二单片机、第二2.4G模块、第二电源模块和第一力敏传感器组，足部节点R包括第三单片机、第二气压传感器、第三2.4G模块、第三电源模块和第二力敏传感器组。本发明通过合加速度、姿态角和高度差百分比检测人体上身与脚的姿态变化，还结合足底压强特征对人体重心变化进行监测，并利用云计算训练得到的参数对姿态进行识别，能够有效识别身体的日常行为姿态，并能在终端上查询，具有广泛的应用前景。

本发明公开一种基于多层级标签协同感知的床上人体姿态识别方法，属于射频识别技术领域，包括：获取待识别的RFID相位数据；基于时间窗口对待识别的RFID相位数据进行分割，得到相位阵列；基于滑动窗口对相位阵列执行相位解缠，得到解缠后的相位矩阵；基于距离对解缠后的相位矩阵进行RFID标签分类，包括阻挡标签、近邻标签和远端标签；选取预设数量的远端标签作为参考标签集合，对所有解缠后的相位阵列进行相位数据对齐操作，得到输入相位矩阵，基于训练好的双阶段神经网络进行分类，得到床上人体姿态识别结果。本发明解决了现有技术无法识别床上复杂肢体姿态以及当用户手臂上举或靠近头部时难以区分仰卧与俯卧姿态的问题。

本发明公开了一种基于分割引导的人体姿态估计方法。本发明采用HRNet人体姿态估计的基本网络结构；HRNet包含4个阶段3个分支，每个分支捕获输入信号的不同尺度特征表示；每个阶段不同分支的特征会进行相互融合并将融合后的特征作为下一个阶段的输入；同时高分辨率分支的每一个阶段都融入一个分割引导机制，得到一个分割引导的HRNet；利用分割引导机制来逐步改善每个阶段产生的检测结果。结果表明，本发明具有更好的鲁棒性和自适应能力。解决了原来复杂背景的干扰问题。人体姿态估计是行为识别的上游任务对其至关重要，准确高效的人体姿态估计可以促进人体行为识别的准确度。

本发明实施例提供了一种目标姿态识别方法及装置，预先训练得到神经网络模型：根据预设特征样本对应的姿态信息，对预设结构的神经网络的网络参数进行训练得到该神经网络模型；进行目标姿态识别时，确定目标所在图像区域的图像特征、以及目标的形状特征和/或结构特征，将该图像特征及该形状特征和/或结构特征输入该神经网络模型，输出目标的姿态；可见，本方案中，基于神经网络模型识别目标姿态，第一方面，神经网络模型基于大量样本训练得到，携带的信息比特征点模型携带的信息更丰富，识别准确度更高；第二方面，本方案中的神经网络模型的网络参数中携带了图像特征、及目标的形状特征和/或结构特征多方面的信息，进一步提高了识别的准确度。

本发明公开了一种基于姿态感知与几何约束下的驾驶员行为识别方法及系统，首先，采用HRNet对图片中的驾驶员进行姿态估计，获取驾驶员的关节点信息；其次，将视频输入到ResNet50中获取全局特征图，利用关节点的位置获取各个关节点相关的视觉特征；然后，对驾驶员的上半身人体关节点进行解构，同时根据各点的坐标位置获取几何特征；最后，将视觉表观特征与几何特征融合，通过线性层预测相应的行为。本发明克服了传统驾驶员行为检测方法检测准确率低、检测手段单一的问题，大幅提升了在背景复杂、光照变化、视角不一和驾驶员体态变化等情况下的检测能力；同时能够应对复杂环境下对驾驶员人体和关键表征的定位检测；能适应不同时段车辆行驶环境。